Tính toán quang học thần kinh gặp bộ nhớ tương tự: loại bỏ nút thắt chuyển đổi dữ liệu Hầu hết phần cứng AI hoạt động trên các chip điện tử, nơi các phép toán được thực hiện bằng cách di chuyển electron qua các transistor. Nhưng có một lựa chọn ngày càng phát triển: thực hiện các phép toán mạng nơ-ron bằng cách sử dụng ánh sáng. Trong các bộ xử lý quang học, các phép nhân ma trận được thực hiện bằng cách mã hóa dữ liệu thành các tín hiệu quang học và truyền chúng qua các mảng các cộng hưởng microring có thể điều chỉnh, mỗi cái hoạt động như một trọng số synaptic. Vật lý của ánh sáng cho phép tính toán song song lớn và độ trễ cực thấp, hứa hẹn tốc độ và hiệu suất năng lượng mà điện tử đơn thuần không thể đạt được. Tuy nhiên, có một nút thắt khá tầm thường: mỗi trọng số synaptic cần một bộ chuyển đổi số sang tương tự (DAC) riêng biệt để liên tục điều khiển bộ điều chế mã hóa nó. Đối với một ma trận trọng số có kích thước n×n, đó là n² DAC hoạt động không ngừng—không phải để tính toán, mà chỉ để giữ điện áp ở vị trí. Chi phí năng lượng của việc chuyển dữ liệu giữa bộ nhớ số và tính toán tương tự có nguy cơ làm mất đi những lợi thế mà quang học mang lại. Sean Lam và các đồng tác giả đã chứng minh một giải pháp tinh tế: đặt một tụ điện nhỏ trực tiếp trên mỗi bộ điều chế quang học. Khi đã được sạc, nó giữ trọng số mà không cần DAC để duy trì hoạt động. Các DAC sau đó được chia sẻ dọc theo các cột và chỉ được kích hoạt khi cần cập nhật trọng số—tăng quy mô theo n thay vì n². Khái niệm này, được gọi là bộ nhớ tương tự điện quang động (DEOAM), được chế tạo trên một chip quang silicon đơn thể trong quy trình sản xuất tiêu chuẩn 90 nm, đạt được tiết kiệm năng lượng hơn 26 lần so với các thiết kế thông thường. Các số liệu thực nghiệm làm rõ các sự đánh đổi. Thời gian ghi là ~40–50 ns, thời gian giữ ~0.83 ms, năng lượng mỗi lần ghi ~56 pJ, và độ chính xác bit khoảng 5.6 bits. Thời gian giữ phụ thuộc vào công suất quang học đến—nhiều ánh sáng có nghĩa là nhiều rò rỉ—tạo ra một căng thẳng trực tiếp giữa chất lượng tín hiệu và tuổi thọ bộ nhớ. Để hiểu những thông số này có nghĩa gì cho các khối lượng công việc thực tế, các tác giả mô phỏng một mạng nơ-ron ba lớp trên MNIST. Tỷ lệ thời gian giữ so với độ trễ mạng chỉ cần 100 là đủ để giữ độ chính xác suy diễn trên 90%. Các mạng được đào tạo với rò rỉ bao gồm trở nên mạnh mẽ hơn đáng kể—một ví dụ sống động về việc đào tạo nhận thức phần cứng mang lại lợi ích. Nguyên tắc tương tự điều khiển tính toán trong bộ nhớ điện tử—rằng việc di chuyển dữ liệu tốn nhiều năng lượng hơn so với việc tính toán với nó—cũng áp dụng ở đây trong một miền điện quang hybrid. Hầu hết các bộ xử lý quang học ngày nay chỉ có thể thực hiện suy diễn với các trọng số được đào tạo ngoại tuyến trên GPU. DEOAM mở ra một con đường hướng tới đào tạo trực tuyến trên chip, nơi mạng liên tục thích ứng với dữ liệu mới và sự trôi dạt phần cứng. Bài báo: