Ученый из Koç University предложил две оптические системы для вычислений ИИ

Две новые системы из Koç University переносят часть вычислений для искусственного интеллекта из электронных схем в свет. Их автор, ассистент-профессор факультета электротехники и электроники Уур Тегин (Uğur Teğin), описал подходы в двух отдельных статьях. Цель понятна: сделать ИИ быстрее и дешевле по энергии. Конкретных цифр в анонсе нет, и это главное, что стоит держать в голове при чтении.

Почему вообще заговорили о свете

Аппетит ИИ к электричеству давно стал инфраструктурной проблемой. По оценке Международного энергетического агентства, дата-центры в 2024 году потребили около 415 ТВт·ч, а к 2030 году эта цифра может вырасти больше чем вдвое, примерно до 945 ТВт·ч. Значительную долю добавит именно ИИ. Классическая электроника упирается в тепло и в стоимость передачи данных между памятью и вычислительными блоками.

Оптика атакует обе проблемы сразу. Свет почти не выделяет тепла при распространении, а многие операции нейросетей, прежде всего умножение матриц и свертки, физически выполняются при прохождении светового сигнала через подходящую среду. Расчет происходит в момент распространения, без тактов и переключения миллиардов транзисторов.

Что известно о работе Тегина

Из опубликованного сообщения следует немного. Зафиксируем это в виде списка.

• Автор: Уур Тегин, ассистент-профессор, Koç University, кафедра электротехники и электроники.
• Формат: две отдельные научные публикации, две разные системы.
• Принцип: вычисления для ИИ выполняются светом, а не обычной электронной схемотехникой.
• Заявленная цель: более быстрые и энергоэффективные ИИ-системы.
• Не раскрыто: точность на стандартных задачах, задержка, энергия на операцию, размер моделей, возможность серийного производства.

Последний пункт принципиален. Оптические вычисления десятилетиями показывают впечатляющие результаты в лаборатории и редко доходят до дата-центра. Без сравнения с GPU на конкретной задаче говорить об экономии преждевременно.

Где оптика обычно спотыкается

У световых вычислений есть типичные узкие места, и любая новая работа в этой области проверяется на них.

Первое: преобразование данных. Входные данные почти всегда живут в электронном виде, и каждое преобразование в свет и обратно съедает энергию. Если оно стоит дороже самого вычисления, выигрыш исчезает.

Второе: нелинейность. Нейросетям нужны нелинейные функции активации, а свет в линейных средах их не обеспечивает. Приходится либо возвращаться в электронику, либо использовать оптические нелинейные эффекты, которым нужна заметная мощность.

Третье: точность. Оптический расчет по сути аналоговый, он чувствителен к шуму и температурным дрейфам. Для инференса это терпимо, для обучения гораздо сложнее.

Четвертое: интеграция. Чтобы система стала частью стека с PyTorch и привычными ускорителями, нужны драйверы, компиляторы и масштабируемое производство.

Именно «часть вычислительной нагрузки» в заголовке выглядит реалистично. Вероятный сценарий таков: оптический блок берет на себя тяжелые линейные операции, электроника остается для логики и памяти.

Что смотреть дальше

Для инженеров и тех, кто планирует ИИ-инфраструктуру, практический план простой. Прочитайте обе статьи целиком и найдите три числа: энергию на операцию, задержку и точность относительно цифрового базиса на той же задаче. Затем посмотрите, на каком размере моделей это проверялось: игрушечные датасеты вроде MNIST не говорят ничего о трансформерах. И наконец, проверьте, что именно оптика делает внутри системы и сколько электроники осталось вокруг нее.

Для рынка сигнал более общий. Исследования по фотонным вычислениям множатся именно потому, что энергия стала ограничивающим ресурсом для ИИ. До серийных ускорителей на свете от университетских групп дистанция остается большой, но направление заслуживает внимания. Когда у Тегина появятся измеримые метрики, мы вернемся к этой теме с цифрами.