Photonen übernehmen die Führung von Elektronen: Eine bevorstehende Revolution der Rechenleistung im Weltraum

In einem lebhaften Bereich, wo viele kluge Köpfe zusammenkommen, lauern oft Fallen. Geduldiges und kontinuierliches Arbeiten, eine Phase der Unsichtbarkeit und des Wartens auf die richtige Gelegenheit, um schließlich erstaunliche Erträge zu erzielen – das jüngste Beispiel dafür ist Nvidia.

Das Randteam CUDA, das in den frühen Jahren bei Nvidia als „unnütze Belastung“ galt, wurde von Jensen Huang stillschweigend erlaubt, „Jahr für Jahr“ keine Gewinne zu erzielen. Nach langem Druck wartete man endlich auf den Durchbruch von Geoffrey Hinton, Ilya Sutskever und Alex Krizhevsky, die das Faltungs-Neuronale Netz AlexNet erfanden und damit 2012 bei dem ImageNet-Wettbewerb für Bilderkennung einen legendären Sieg errangen.

In diesem Jahr setzte das Team des „Google Cat“-Projekts (The Cat Neurons) 16.000 CPUs ein, erreichte aber nur eine Erkennungsgenauigkeit von 74,8 %. Im krassen Gegensatz dazu erzielte AlexNet mit nur 4 Nvidia-GPUs eine erstaunliche Genauigkeit von 84 %, was die akademische Welt und die Industrie in Aufregung versetzte.

Die GPU stieg von einer Nebenrolle bei Grafikkarten für Spiele zur Hauptrolle der Rechenleistung im Zeitalter des Deep Learnings. Seitdem schoss der Marktwert von Nvidia nach oben: Er stieg von einem Niveau von mehreren zehn Milliarden Dollar auf heute fast drei Billionen Dollar.

Dieselbe Geschichte spielt sich heute in einem anderen Bereich leise ab.

Die optische Berechnung, diese seit Jahren in Labors ruhende Technologie, erlebt nun im Hunger nach Rechenleistung für die Inferenz großer Modelle ihren eigenen „AlexNet-Moment“. Von 2012 bis heute hat die GPU die CPU in der Rechenleistungsrevolution der Deep-Learning-Trainingsphase abgelöst – als Nächstes wird die optische Berechnung wahrscheinlich die GPU in der Energieeffizienzrevolution der Inferenzphase großer Modelle ablösen.

Seit der Einführung der Transformer-Architektur im Jahr 2017 ist die Anzahl der Parameter großer Modelle von Hunderten Millionen auf Billionen angewachsen. Bei der Inferenz erfordert die Generierung jedes Tokens eine enorme Anzahl von Matrix-Multiplikationen. Die optische Berechnung hingegen hat natürliche Vorteile genau in den beiden Dimensionen der Matrix-Multiplikation und des niedrigen Stromverbrauchs. Sie ist keine einfache Weiterentwicklung der elektrischen Berechnung, sondern eine grundlegende Neugestaltung des Berechnungsparadigmas – die Ersetzung von Elektronen durch Photonen, die Ersetzung der Driftgeschwindigkeit von Elektronen durch die Lichtgeschwindigkeit und die Ersetzung serieller Schalter durch Parallelität des Lichtfelds. Es wurde nachgewiesen, dass dies die Geschwindigkeit bei KI-Matrixberechnungen um das Acht-, Hundert- oder sogar Tausendfache steigert.

Die Kombination von optischen Wellenleitern und Halbleitertechnik ist äußerst faszinierend, da sie die groß angelegte Matrixberechnung von KI auf rein physikalische Weise „simuliert“. Die Geschichte der technologischen Entwicklung wiederholt sich nicht: Wenn ein altes Berechnungsparadigma seine physikalischen Grenzen erreicht, wächst ein neues Paradigma am Rand auf, bis es am Tag des Nachfragebooms zum Mainstream wird.

Der Tag für die optische Berechnung könnte jetzt kommen.

Im KI-Zeitalter ist die elektrische Berechnung nicht „KI-nativ“

Bildquelle: Offizielle Website von Lightmatter

Im Jahr 2017 sorgte eine in „Nature Photonics“ veröffentlichte Arbeit ebenfalls in einem kleinen Kreis für Aufsehen.

In dieser später vielzitierten Arbeit bestätigte Nicholas Harris, Gründer von Lightmatter, eine zentrale Hypothese: Die Nutzung von Photonen für Matrixberechnungen ist machbar. Der Kernbeitrag dieser Arbeit zum Thema „Deep Learning mit nanophotonischen Schaltkreisen“ bestand nicht darin, sofort ein kommerzielles Produkt herzustellen, sondern darin, „die photonische Berechnung“ erstmals von einem Konzept zu einem nachprüfbaren technischen Weg weiterzuentwickeln.

Dieser Weg umfasst zwei Ebenen der Überprüfung: Erstens kann ein optisches Interferenznetz auf Hardwareebene programmierbare Matrixoperationen durchführen. Zweitens kann auf Algorithmenseite der Berechnungsablauf neuronaler Netze an die Eigenschaften der optischen Hardware angepasst werden, um Teile zu minimieren, die für die optische Berechnung ungeeignet sind.

Warum ist die optische Berechnung von Natur aus für KI geeignet?

Die Kernoperation des Deep Learnings, die Matrixmultiplikation y = Wx, besteht im Wesentlichen darin, dass jede Ausgangskomponente die Summe der mit Gewichten gewichteten Eingangskomponenten ist. In elektronischen Chips erfordert dies das ständige Verschieben und Addieren von Zahlen durch einzelne Schalter. Im optischen Pfad hingegen werden Eingangsvektoren in die Amplitude und Phase des Lichtfelds in verschiedenen Wellenleitern kodiert. Über ein Netzwerk von Mach-Zehnder-Interferometern (MZI) werden diese Lichtfelder gemäß den Gewichten neu verteilt, bevor am Ausgang durch Interferenz und Detektion die „Summation“ abgeschlossen wird.

Das Bild zeigt die MZI-Demonstration auf der offiziellen Website von Lightmatter

Ein Standard-MZI besteht aus zwei 50:50-Strahlteilern und Phasenmodulatoren in den beiden dazwischenliegenden Armen – im Wesentlichen ist es ein einstellbares 2x2-lineares Transformationselement. Ein einzelnes MZI kann nur niedrigdimensionale Transformationen durchführen, aber viele MZIs, die in einer bestimmten Topologie kaskadiert werden, bilden ein hochdimensionales Matrixnetz.

Bei einem echten optischen Berechnungsvorgang mit 4 eingehenden Lichtsignalen und dem Ziel einer 4x4-linearen Transformation werden die 4 Lichtsignale jeweils in ein Gitter aus mehreren MZIs geleitet. Jedes MZI wird auf ein bestimmtes Kopplungsverhältnis eingestellt, und nach mehreren Stufen entsprechen die Lichtintensitäten an den 4 Ausgängen dem Ergebnis der Matrixmultiplikation.

Das optische Netz führt keine elementare numerische Berechnung durch, sondern nutzt die Überlagerung von Wellen, um den linearen algebraischen Berechnungsprozess auf natürliche Weise abzuschließen.

Das Bild zeigt eine Demonstration der groß angelegten KI-Matrixberechnung mit optischen Chips von China Optical Prime Technology

Die Vorteile der optischen Berechnung sind offensichtlich: geringe Latenz aufgrund der extrem hohen Lichtgeschwindigkeit, niedriger Stromverbrauch, da keine massive Ladungsverschiebung und Schaltumschaltung wie bei elektronischen Chips erforderlich ist, und natürliche Eignung für Matrixmultiplikationen, insbesondere für groß angelegte lineare Operationen.

Aber um diese Vorteile aus dem Labor in die reale Welt zu bringen, haben verschiedene Unternehmen unterschiedliche technische Wege gewählt. Die zwei „Vertreter“ – Lightmatter aus den USA und China Optical Prime Technology – wobei Lightmatter den Vertreter des MZI-Wegs ist, und Optical Prime Technology den Weg der photonischen Speicher-integrierten Berechnung geht.

Lightmatter hat sich für den MZI-Weg entschieden. Der Vorteil von MZI liegt in seiner Rekonfigurierbarkeit: Durch thermooptische oder elektrooptische Effekte werden Phase und Amplitude des Lichtsignals präzise gesteuert. Die Kaskadierung bildet komplexe Interferenznetze, um beliebige unitäre Matrizen abzubilden. Diese Architektur eignet sich für den Aufbau programmierbarer, hochpräziser optischer neuronaler Netze und linearer Operationseinheiten.

Das Kernprodukt von Lightmatter, Passage, ist das weltweit erste 3D-gestapelte Silizium-Photonik-Engine, die für XPU (wie GPU, TPU) und Switches eine beispiellose Bandbreitendichte und Energieeffizienz bietet.

2026 brachte Lightmatter die Passage L20 Optical Engine auf den Markt – eine 6,4-Tb/s-3D-gestapelte optische Engine, deren Massenproduktion voraussichtlich in der zweiten Jahreshälfte 2026 beginnt. Darüber hinaus plant Lightmatter die Einführung der L200-Serie, die von GlobalFoundries und Amkor hergestellt wird. Dabei wird die GF-Fotonix-Silizium-Photonik-Plattform genutzt, um photonische Komponenten und CMOS-Logik auf einem einzigen Die zu integrieren.

Aber das Problem des MZI-Wegs liegt darin: Er ist auf thermische Abstimmung, Rückkopplungskalibrierung und Temperaturkompensation angewiesen, um die Stabilität des optischen Zustands aufrechtzuerhalten. Das bedeutet anhaltenden Stromverbrauch und Steuerungsaufwand. Die flüchtige Abstimmung herkömmlicher Silizium-Wellenleiter erfordert eine ständige Energieversorgung, um den optischen Zustand zu behalten. Probleme wie hoher statischer Stromverbrauch, große Gewichtungsgrößen und geringe Rechenleistungsdichte behindern die Skalierung optischer Berechnungsnetze erheblich.

Optical Prime Technology aus China hat einen anderen Weg eingeschlagen.

2022 trafen zwei junge Männer unter 30 Jahren, Xiong Yinjiang und Cheng Tangsheng, wie in vielen bekannten Geschichten eine Reihe von für Außenstehenden fast verrückten Entscheidungen. Xiong Yinjiang schloss sein Unternehmen in den USA, Cheng Tangsheng unterbrach sein Doktoratsstudium an der Universität Oxford – beide kehrten zu einem entscheidenden Zeitpunkt nach China zurück und gründeten das Unternehmen „Optical Prime“.

Bildquelle: Öffentliches Interviewvideo

Xiong Yinjiang hat einen Masterabschluss der Universität Chicago und langjährige praktische Erfahrung in der Engineering von Algorithmen großer Modelle und KI-Agenten. Cheng Tangsheng studierte unter der Leitung von Harish Bhaskaran, dem weltweit führenden Experten für „photonische Berechnung mit Phasenwechselmaterialien“ und Mitglied der Royal Academy of Engineering in Großbritannien.

Der Grund für ihre Unternehmensgründung lag darin, dass sie gemeinsam einen sich nähernden Wendepunkt erkannten – der Boom der KI-Nachfrage steht bevor, und photonische Berechnungschips könnten das Mooresche Gesetz durchbrechen und die Sorgen um die Rechenleistung lösen.

In einem kürzlichen öffentlichen Interview sagten Xiong Yinjiang und Cheng Tangsheng eine nachdenkliche Aussage: „Wir mögen es überhaupt nicht, Dinge an Orten zu tun, wo viele Menschen zusammenkommen. Wir glauben instinktiv, dass das eine Falle ist. Wenn ein Thema am heißesten ist, wagen wir es nicht, es zu verfolgen. Im Gegenteil, wenn wir einige Vorteile haben, die vielleicht nur wir kennen, und das Feld noch nicht aufgeblüht ist oder noch nicht vollständig explodiert ist, ist das der richtige Zeitpunkt für die Arbeit daran.“

Diese Beurteilung des Timings durchzieht die gesamte Entwicklungsgeschichte von Optical Prime.

Obwohl die bahnbrechende Arbeit zur Grundlegung der optischen Berechnung 2017 Aufmerksamkeit erregte, waren damals die Kettenglieder der Industrie wie Fabrikations- und Verpackungstechnik im In- und Ausland noch nicht ausgereift, sodass die kommerzielle Umsetzung schwierig war. Bis 2022, als der KI-Boom einsetzte und die gesamte Industriekette allmählich reifte, war es genau der richtige Zeitpunkt für Designunternehmen, aktiv voranzugehen und die Iteration der Industriekette durch Nachfrage zu beschleunigen. Optical Prime wählte diesen Zeitpunkt für den Einstieg.

Im Branchenvergleich gibt es bei den meisten optischen Berechnungslösungen noch Lücken, bis sie wirklich großskalig, allgemein einsetzbar und stabil einsetzbar sind.

Die zwei größten Probleme sind: Erstens sind Speicher und Berechnung immer noch getrennt. Bei der KI-Inferenz müssen Modellparameter häufig aus dem externen Speicher in die Berechnungseinheit verschoben werden, sodass die Speicherbandbreite zum Engpass des gesamten Systems wird. Zweitens ist die skalierbare Integration schwierig. Aufgrund der physikalischen Einschränkungen der Silizium-Photonik-Plattform bei Chipgröße, Verformung durch Verzug und Verbindungsdichte ist die Erweiterung der Rechenleistung herkömmlicher optischer Berechnungslösungen nicht einfach.

Der Durchbruch von Optical Prime Technology setzt genau an diesen beiden Hürden an.

Optical Prime Technology ist derzeit das weltweit einzige Unternehmen, das sowohl die photonische Speicher-integrierte Berechnung als auch die glasbasierte optische Berechnung realisiert hat. Die photonische Speicher-integrierte Berechnung bietet enorme Vorteile für die KI-Inferenz: Parameter großer Modelle können direkt im Chip gespeichert werden, sodass das häufige Verschieben von Daten zwischen Speicher und Berechnung vollständig entfällt. Die Berechnungslatenz sinkt auf ein Zehntel herkömmlicher optischer Berechnungslösungen.

Auf der Grundlage des technischen Wegs der Speicher-integrierten Berechnung hat Optical Prime Technology den optischen Berechnungschip mit der weltweit höchsten Rechenleistungsdichte entwickelt. Dieser Chip wurde mehrfach durch Tape-Outs validiert und ist „out of the box“ einsatzbereit – er ist zu einer produktiven Anwendung geworden, die die gesamte Industriekette sowie die vorderen und hinteren Bereiche der Berechnung verbindet. Optical Prime hat 2025 die erste Generation des photoelektrischen integrierten Berechnungssteckers auf den Markt gebracht, die zweite Generation soll 2026 folgen.

Auf der vorhandenen Grundlage verfolgt Optical Prime gleichzeitig einen disruptiveren technischen Weg: Glas anstelle von Silizium als Substrat für optische Berechnungschips zu verwenden, wobei Glas gleichzeitig als Träger des optischen Pfads, Verpackungsbasis und großformatige Fertigungsplattform dient. Dieses Muster schafft eine besser er