Optical Neural Engine vereint Lichtcomputing und neuronale Netzwerke

Informatik

Redaktion der Website für technologische Innovationen - 23.06.2025

Wenn eine Welle, die mit einer partiellen Differentialgleichung kodiert ist, die Komponentenreihe durchläuft, verändern sich ihre Eigenschaften allmählich und verändern sich, bis sie schließlich die Lösung dieser Gleichung darstellt. [Bild: Gao Lab/University of Utah]

Optisches Computing

Photonisches Computing , also Rechnen mit Licht statt mit Elektrizität, ist kein Kinderspiel – Lichtprozessoren führen bereits alle Berechnungen durch, die beispielsweise für KI erforderlich sind , und das mit einer Genauigkeit von 100 % .

Aber das ist alles noch sehr neu, und wir wissen noch nicht genau, welche Lichtplattformen oder photonischen Prozessoren sich durchsetzen werden. Eine Alternative basiert auf Convolutional Neural Networks (CNNs) , die in mehreren lichtempfindlichen Schichten geschrieben sind und sehr komplexe Gleichungen, wie zum Beispiel partielle Differentialgleichungen, sofort lösen. Diese Gleichungen sind für eine Reihe praktischer Probleme wichtig, erfordern aber bei der Verwendung digitaler Computer einen hohen Rechenaufwand.

Yingheng Tang und Kollegen an der University of Utah in den USA haben nun eine sogenannte „optische neuronale Engine“ entwickelt, eine Architektur, die diffraktive optische neuronale Netzwerke und optische Matrixmultiplikatoren kombiniert.

Anstatt die partiellen Differentialgleichungen digital darzustellen, werden sie als Variationen der optischen Eigenschaften eines Materials dargestellt, einer Platte, die mithilfe von Metamaterialtechniken konstruiert wurde. Mehrere dieser Platten werden dann in Reihe geschaltet und bilden so ein sogenanntes metatronisches Netzwerk – jedes Netzwerk ist auf die Lösung einer bestimmten Gleichung zugeschnitten.

Die Variablen wiederum werden durch die verschiedenen Eigenschaften einer Lichtwelle dargestellt, wie beispielsweise ihre Intensität und Phase. Während eine Welle die optischen Komponenten der partiellen Differentialgleichung durchläuft, verändern sich diese Eigenschaften allmählich, bis sie schließlich auf der anderen Seite der Struktur erscheinen und die Lösung der am Eingang gegebenen Gleichung darstellen.

Einsatz optischer Geräte zur Lösung der Navier-Stokes- und Maxwell-Gleichungen. [Bild: Yingheng Tang et al. - 10.1038/s41467-025-59847-3]

Gleichungen mit Licht lösen

Maschinelles Lernen und digitale neuronale Netze, die derzeit zur Lösung partieller Differentialgleichungen eingesetzt werden, bestehen darin, die Gleichung durch ein Netzwerk von Rechenknoten zu leiten, von denen jeder seine Ausgabe bei der Weitergabe an den nächsten Knoten gewichtet. Während das Signal das Netzwerk durchläuft, wird die richtige Lösung stärker gewichtet und schließlich zur Ausgabe.

Der Unterschied besteht jetzt darin, dass alles mit photonischen Geräten erledigt wird, also mit verschiedenen Schichten, die unterschiedlich mit dem durch sie hindurchtretenden Licht umgehen und die das Team ONE ( Optical Neural Engine ) nennt, wodurch im Wesentlichen analoge Berechnungen durchgeführt werden.

„ONE verwendet die räumlich-zeitlichen Daten einer physikalischen Eingangsgröße, die eine Funktion von Position und Zeit ist, um die räumlich-zeitlichen Daten einer physikalischen Ausgangsgröße als Funktion von Position und Zeit vorherzusagen“, erklärte Professor Weilu Gao.

Das Team demonstrierte die Fähigkeiten von ONE anhand mehrerer partieller Differentialgleichungen, darunter der Darcy-Flussgleichung, der magnetostatischen Poisson-Gleichung bei der Entmagnetisierung und der Navier-Stokes-Gleichung bei inkompressiblen Flüssigkeiten.

„Die Darcy-Strömungsgleichung beschreibt beispielsweise den Fluss einer Flüssigkeit durch ein poröses Medium“, erklärte Gao. „Anhand von Daten über die Permeabilität und Druckfelder innerhalb eines bestimmten Mediums lernt die ONE-Architektur im Wesentlichen die Zuordnung dieser Eigenschaften und kann Strömungseigenschaften vorhersagen, ohne Experimente durchführen zu müssen.“

Es wird erwartet, dass das Gerät unmittelbare Anwendung in verschiedenen Bereichen findet, von der Grundlagenforschung bis hin zu technischen Anwendungen. „Diese Forschung bietet eine vielseitige und leistungsstarke Plattform für groß angelegte wissenschaftliche und technische Berechnungen, beispielsweise in der Geologie und im Chipdesign“, sagte Gao.

Weitere Neuigkeiten zu:

Weitere Themen