Een team van onderzoekers heeft een algemene methode gedemonstreerd voor het rechtstreeks trainen van fotonische geïntegreerde schakelingen op de fysieke chip, een stap die optische processors van vaste, vooraf ontworpen versnellers zou kunnen veranderen in hardware die leert nadat deze is gebouwd. Het werk, gepubliceerd in Nature Computational Science, is samengevat in een begeleidende brief met de titel "Fotonische circuits worden trainbare AI-hardware."

De methode, genaamd INSPIRE – een afkorting van on-chip, in situ Physical Gradient Descent – ​​richt zich op een van de centrale knelpunten in fotonisch computergebruik voor kunstmatige intelligentie: hoewel fotonische processors grote winsten op het gebied van snelheid en energie-efficiëntie beloven, is hun training grotendeels beperkt gebleven tot digitale simulaties die dure fysieke modellering vereisen en last hebben van door fabricage veroorzaakte fouten. Voor meer context over dit verhaal, zie ons AI-trends.

Waarom fotonische AI-chips moeilijk te trainen zijn

De meeste neurale netwerken zijn tegenwoordig getraind op digitale hardware, waarmee gradiënten exact kunnen worden berekend. Fotonische circuits zijn anders: licht interfereert, verstrooit en koppelt op manieren die moeilijk perfect te modelleren zijn, en kleine productievariaties zorgen ervoor dat een chip in het laboratorium zich zelden precies zo gedraagt ​​als zijn digitale tweelingbroer. Het offline trainen van het netwerk en het vervolgens overbrengen van de parameters naar de chip betekent het accepteren van een mismatch die de nauwkeurigheid aantast.

Eerder onderzoek heeft het probleem opgelost. Studies hebben in situ backpropagatie en gradiëntmetingen in fotonische neurale netwerken aangetoond, en in 2024 introduceerden onderzoekers volledig voorwaartse modustraining voor optische neurale netwerken om de afhankelijkheid van digitale modelemulatie te verminderen. Het nieuwe werk breidt deze lijn uit door een methode te claimen die algemeen is voor alle circuitarchitecturen, in plaats van op maat gemaakt voor één ontwerp.

Hoe INSPIRE werkt

Volgens het artikel gebruikt INSPIRE synthetische holografie met tijdomkering op de chip om de volledige complexe velden van bidirectionele fotonische modi te meten. Dankzij die meting kan het circuit zelf gradiënten berekenen en zijn eigen parameters bijwerken, zonder dat een volledig digitaal model van de chip nodig is.

Het praktische gevolg is aanzienlijk. Omdat de gradiëntberekening binnen het fysieke systeem plaatsvindt, kunnen diverse circuittopologieën na de fabricage worden getraind, en kan de hardware matrixontwerp, berekeningen met meerdere golflengten en snel meta-leren aan zonder een getrouwe digitale replica. In conventionele workflows zouden al deze stappen afhankelijk zijn van simulatienauwkeurigheid die echte chips niet kunnen garanderen.

Het raamwerk wordt beschreven als topologie-agnostisch, wat betekent dat het werkt met diverse optische circuitontwerpen in plaats van met één op maat gemaakte lay-out. Omdat gradiënten fysiek worden gemeten, kan het netwerk na de fabricage worden getraind, waardoor juist de fabricageonvolkomenheden worden geabsorbeerd die anders als ruis zouden gelden.

De resultaten

De gerapporteerde cijfers zijn specifiek. In experimenten leverde de methode getrainde matrices op met een relatieve fout van 0,26%. Het team demonstreerde ook in situ training door middel van verstrooiende media voor matrices die groter zijn dan het aantal native afstembare elementen in het circuit – effectief leren met minder fysieke controles dan het probleem nominaal vereist.

Misschien wel het meest opvallend was dat de onderzoekers aantoonden dat metafotonische circuits in situ meta-leren kunnen uitvoeren, waarbij ze realiseren wat zij omschrijven als single-shot fotonisch leren met 251-voudige modelcompressie en 136-voudige taakspecifieke trainingsversnelling. De begeleidende brief voegt eraan toe dat de hardware matrixontwerp, berekeningen met meerdere golflengten en snel meta-leren mogelijk maakt zonder een volledig digitaal model van het circuit.

Waarom het ertoe doet

De energiebehoefte van AI is een van de meest urgente beperkingen van de industrie, en optisch computergebruik wordt al lang voorgesteld als een manier om matrixvermenigvuldigingen – de kernactiviteit van neurale netwerken – uit te voeren met veel minder vermogen dan elektronische processors. Optische chips van startups en academische groepen hebben al een indrukwekkende doorvoer van gevolgtrekkingen laten zien. De training is echter digitaal gebleven: de chip bestuurt het netwerk, maar het leren gebeurt op GPU's die het simuleren.

Een praktische in situ trainingsmethode zou die kloof kunnen dichten, waardoor fotonische systemen zich kunnen aanpassen aan nieuwe taken op de hardware zelf. Het zou ook de kosten van de inzet van fotonische versnellers kunnen verlagen, omdat chips niet langer perfect gekarakteriseerd en gecompenseerd hoeven te worden vóór gebruik. De auteurs omschrijven het werk als 'een praktische route naar adaptieve en efficiënte intelligente fotonische systemen'.

Waarschuwingen

De resultaten zijn afkomstig van gecontroleerde laboratoriumdemonstraties en de samenvatting van het artikel beweert niet dat het product gereed is voor productie. Het opschalen van training op de chip van gedemonstreerde matrixgroottes naar de schaal van grensoverschrijdende neurale netwerken blijft een open technische uitdaging, net als het integreren van het meetapparaat – synthetische tijdomkeringholografie – in compacte, in massa vervaardigde pakketten. Implementaties in de echte wereld zouden ook de betrouwbaarheid moeten bewijzen bij temperatuurschommelingen en veroudering van componenten, omstandigheden waarbij bekend is dat fotonische systemen afdrijven.

Toch markeert de publicatie een opmerkelijke accentverschuiving voor het vakgebied: van het ontwerpen van betere fotonische circuits naar het zichzelf laten ontwerpen van fotonische circuits, althans in de enge zin van het afstemmen van hun eigen parameters. Als vervolgwerk de resultaten op grotere schaal reproduceert, wordt het energieprobleem voor optische AI-hardware aanzienlijk sterker.

De onderliggende studie, "Fotonisch neuromorf leren via gegeneraliseerde in situ fysieke gradiëntafdaling" door Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang en Lu Fang, is gepubliceerd in Nature Computational Science.

---

Blijf Voorop met AI

Het laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.

Lees meer AI-nieuws →