Исследователи из Университета Флориды разработали революционный чип, который использует свет вместо электричества для выполнения операций свертки — одной из самых энергозатратных задач искусственного интеллекта. Технология показала впечатляющие результаты: точность распознавания рукописных цифр достигла 98%, что сопоставимо с традиционными электронными чипами, но при этом энергопотребление снизилось в 10-100 раз.
Революция в области энергоэффективности ИИ
Проблема энергопотребления ИИ-моделей
Современный искусственный интеллект столкнулся с критической проблемой энергопотребления. Крупные языковые модели и системы компьютерного зрения потребляют колоссальные объемы электроэнергии, сопоставимые с потреблением целых городов. По данным исследований, обучение одной большой модели может требовать тысячи киловатт-часов электричества, а центры обработки данных тратят более половины своей энергии на охлаждение серверов.
Команда под руководством Фолькера Соргера, профессора полупроводниковой фотоники в Университете Флориды, предложила радикальное решение этой проблемы. Их исследование, опубликованное в журнале Advanced Photonics в сентябре 2025 года, демонстрирует фотонный чип, который может выполнять ключевые вычисления машинного обучения при практически нулевом энергопотреблении.
Технологический прорыв в оптических вычислениях
Основная идея заключается в замене электронных операций оптическими при выполнении сверток — математических операций, лежащих в основе распознавания образов, обработки изображений и анализа текста. Традиционно эти операции требуют интенсивных электронных вычислений с высоким энергопотреблением.
Команда исследователей интегрировала микроскопические оптические компоненты непосредственно на кремниевый чип, создав систему, которая выполняет свертки с использованием лазерного света и микроскопических линз. Это решение драматически снижает энергопотребление и ускоряет обработку данных.
Как работает фотонный чип
Архитектура фотонного чипа
В основе технологии лежит фотонный совместный трансформационный коррелятор (pJTC), который использует практически безэнергетическое преобразование Фурье на чипе для ускорения операций свертки. Система снижает вычислительную сложность как для свертки, так и для кросс-корреляции с O(N⁴) до O(N²), где N² — размер входных данных.
Процесс работы включает три этапа:
- Преобразование данных — данные машинного обучения конвертируются в лазерный свет на чипе
- Оптическая обработка — свет проходит через линзы Френеля, выполняя математические преобразования
- Обратное преобразование — результат конвертируется обратно в цифровой сигнал для завершения ИИ-задачи
Линзы Френеля: ключевая технология
Центральным элементом чипа являются ультратонкие линзы Френеля — плоские оптические компоненты, выгравированные непосредственно на кремниевой подложке. Эти линзы тоньше человеческого волоса и представляют собой миниатюрные версии линз, используемых в маяках.
Линзы изготавливаются с использованием стандартных полупроводниковых технологий производства, что делает технологию совместимой с существующими производственными процессами. Система использует две группы миниатюрных линз Френеля для выполнения необходимых оптических преобразований.
Мультиплексирование по длинам волн
Одним из ключевых преимуществ фотонной технологии является возможность мультиплексирования по длинам волн — одновременной обработки множественных потоков данных с использованием лазеров разных цветов. Как объясняет Хангбо Янг, соавтор исследования: "Мы можем пропускать через линзу одновременно несколько длин волн или цветов света. Это ключевое преимущество фотоники".
Эта возможность открывает путь к драматическому увеличению пропускной способности без соответствующего роста энергопотребления, что невозможно в традиционных электронных системах.
Технические характеристики и результаты
Тестирование на базе MNIST
Прототип чипа продемонстрировал впечатляющие результаты в задаче классификации рукописных цифр из набора данных MNIST, достигнув точности 98% — показателя, сопоставимого с традиционными электронными чипами. Система также показала устойчивость к временным задержкам во входных сигналах, поддерживая точность свыше 95%.
| Метрика | Текущие чипы | Фотонный чип | Улучшение |
|---|---|---|---|
| Производительность (TOPS/W) | ~10-50 | 305 | 6-30x |
| Плотность мощности (TOPS/mm²) | ~5-10 | 40.2 | 4-8x |
| Сложность вычислений | O(N⁴) | O(N²) | Квадратичное снижение |
| Задержка | Высокая | Минимальная | Существенное |
Сравнение с традиционными чипами
Фотонный чип демонстрирует революционные показатели производительности:
- Энергоэффективность: 305 TOPS/W (операций в секунду на ватт)
- Плотность мощности: 40.2 TOPS/mm² (операций в секунду на квадратный миллиметр)
- Снижение энергопотребления: в 10-100 раз по сравнению с электронными аналогами
Исследование показало, что система может выполнять ключевые вычисления машинного обучения при практически нулевом энергопотреблении, что представляет собой качественный скачок для будущих ИИ-систем.
Масштабируемость технологии
Архитектура с мультиплексированием по длинам волн показывает потенциал для высокой пропускной способности и энергоэффективности, основываясь на текущих возможностях фабричных процессов. Это обещает создание эффективного, компактного ускорителя с низкой задержкой для продвижения возможностей ИИ следующего поколения в граничных вычислениях, высокопроизводительных системах и облачных сервисах.
Перспективы коммерциализации
Роль NVIDIA и индустриальные партнерства
Соргер отмечает, что производители чипов, такие как NVIDIA, уже используют оптические элементы в некоторых частях своих ИИ-систем, что может облегчить интеграцию новой технологии. Существующие оптические компоненты в системах NVIDIA создают естественный путь для внедрения фотонных сверток.
Исследование проводилось в сотрудничестве с Флоридским полупроводниковым институтом, UCLA и Университетом Джорджа Вашингтона, что обеспечивает широкую базу для развития и коммерциализации технологии.
Перспективы массового внедрения
По прогнозам исследователей, оптические элементы на чипе станут ключевым компонентом каждого ИИ-чипа в ближайшем будущем. Соргер уверен, что "следующим шагом станет оптическое ИИ-вычисление".
Поскольку линзы изготавливаются с использованием стандартных полупроводниковых технологий, интеграция может произойти относительно быстро. Компании уже экспериментируют с оптическими компонентами, что создает благоприятную почву для адаптации технологии.
Влияние на индустрию искусственного интеллекта
Решение энергетического кризиса ИИ
Технология прибывает в критический момент, когда модели ИИ потребляют энергию, эквивалентную целым городам. Анализ Национальной лаборатории Лоуренса Беркли показывает, что к 2028 году центры обработки данных могут потреблять до 12% всей электроэнергии в США.
Фотонные чипы предлагают путь к устойчивому масштабированию ИИ, позволяя создавать более мощные модели без пропорционального роста энергопотребления. Это может кардинально изменить экономику ИИ-вычислений, делая передовые технологии доступными более широкому кругу применений.
Новые возможности для граничных вычислений
Драматическое снижение энергопотребления открывает новые возможности для граничных ИИ-вычислений — систем, работающих локально на устройствах пользователей без подключения к облаку. Мобильные устройства, автономные системы и IoT-устройства смогут выполнять сложные ИИ-задачи с минимальным энергопотреблением.
Конкурентная среда оптических вычислений
Университет Флориды не единственный игрок в области оптических ИИ-вычислений. Стартапы, такие как Lightmatter, Luminous Computing и Lumai, разрабатывают оптические процессоры для искусственного интеллекта. Однако команда Соргера первой продемонстрировала успешную интеграцию оптических сверток непосредственно на чип для ИИ-нейронных сетей.
IBM также анонсировала прорывы в области оптических технологий для центров обработки данных, обещая пятикратное ускорение обучения больших языковых моделей и существенную экономию энергии. Это указывает на растущий интерес индустрии к оптическим решениям для ИИ-вычислений.
Фотонный чип от Университета Флориды представляет собой значительный шаг вперед в решении одной из главных проблем современного ИИ — энергопотребления. Достигнув 98% точности при 100-кратном снижении энергозатрат, технология открывает путь к новой эре устойчивых и масштабируемых ИИ-систем, которые смогут работать от дата-центров до мобильных устройств с беспрецедентной эффективностью.
