Нейроморфні фотонні обчислення зустрічаються з аналоговою пам'яттю: усунення вузького місця перетворення даних Більшість апаратного забезпечення ШІ працює на електронних чипах, де обчислення виконуються шляхом переміщення електронів через транзистори. Але існує зростаюча альтернатива: виконання нейронних мереж за допомогою світла. У фотонних процесорах множення матриць виконується шляхом кодування даних як оптичних сигналів і їх пропускання через масиви налаштовуваних мікрокільцевих резонаторів, кожен з яких виконує роль синаптичної ваги. Фізика світла забезпечує масовий паралелізм і наднизьку затримку поширення, обіцяючи швидкості та енергетичну ефективність, яких електроніка сама по собі не може досягти. Проте існує дивовижно буденне вузьке місце: кожна синаптична вага потребує спеціального цифрово-аналогового перетворювача (DAC), який безперервно керує модулятором, який її кодує. Для вагової матриці розміром n×n це n² ЦАПів, які працюють безперервно — не для обчислень, а просто для утримання напруги на місці. Витрати енергії на перенесення даних між цифровою пам'яттю та аналоговими обчисленнями ризикують нейтралізувати ті самі переваги, які роблять фотоніку привабливою. Шон Лам і співавтори демонструють елегантне рішення: розмістити крихітний конденсатор безпосередньо на кожен оптичний модулятор. Після заряджання він утримує вагу без необхідності ЦАПа для активності. DAC потім діляться вздовж стовпців і активуються лише тоді, коли ваги потребують оновлення — масштабуються як n замість n². Концепція, яка називається динамічною електрооптичною аналоговою пам'яттю (DEOAM), виготовляється на монолітному кремнієвому фотонному чипі у стандартному 90-нм ливарному процесі, що забезпечує понад 26× енергозбереження порівняно з традиційними конструкціями. Експериментальні цифри чітко підкреслюють компроміси. Час запису становить ~40–50 нс, час утримання ~0,83 мс, енергія на запис ~56 пДж, а бітова точність близько 5,6 біт. Утримання залежить від оптичної потужності — більше світла означає більше витоку — створюючи прямий напруження між якістю сигналу та тривалістю пам'яті. Щоб зрозуміти, що ці характеристики означають для реальних робочих навантажень, автори емулюють тришарову нейронну мережу на MNIST. Співвідношення утримання до затримки мережі всього 100 достатньо, щоб точність висновку перевищувала 90%. Мережі, навчені включно з цим витоком, стають значно стійкішими — яскравий приклад того, як апаратно-орієнтоване навчання дає результати. Той самий принцип, що керує електронними обчисленнями в пам'яті — що переміщення даних коштує більше енергії, ніж обчислення з ними — застосовується і тут у гібридній електрооптичній сфері. Більшість фотонних процесорів сьогодні можуть робити висновки лише за допомогою ваг, навчених офлайн на GPU. DEOAM відкриває шлях до онлайн-навчання на чипі, де мережа постійно адаптується до нових даних і апаратного дрейфу. Стаття: