Diese Chip-Revolution nutzt Licht, um KI 100-mal energieeffizienter zu machen

Warum KI so viel Strom frisst — kurz und anschaulich

Convolutional Neural Networks (CNNs) sind allgegenwärtig: sie erkennen Gesichter, lesen Handschriften und filtern Objekte in Bildern. Damit das gelingt, werden über und über kleine Filter (so genannte Kerne oder „Kernels“) über Bilddaten geschoben und mit jedem Pixel gerechnet. Diese Rechnung ist extrem parallel, aber eben auch rechenintensiv — und bei großen Modellen wachsen Stromverbrauch, Abwärme und Kühlbedarf rasant an. Datenzentren und Rechenanlagen stöhnen schon heute unter diesen Lasten; Forscher suchen deshalb nach Wegen, dieselbe Mathematik effizienter auszuführen.

Die aufregende Idee: Berechnungen mit Licht statt Elektronen

Die Forscher um Volker Sorger an der University of Florida bauen einen photonischen Prozessor — eine photonic joint transform correlator (pJTC) —, der die für CNNs typischen Faltungen (Convolutions) optisch durchführt. Statt Transistoren übernehmen Laser und Wellenleiter die Arbeit: Digitale Werte werden in Lichtsignale verwandelt, Licht läuft durch auf dem Chip eingravierte Fresnel‑Linsen (auf Silizium‑Photonic‑Plattform) und führt dabei die gewünschte Mathematik quasi „von Natur aus“ aus. Am Ende werden die optischen Ergebnisse wieder in elektronische Signale zurückgewandelt.

Wie funktioniert das konkret? Eine einfache Analogie

Stellen Sie sich vor, Sie haben einen Lichtstrahl als Datenpaket und eine Linsenlandschaft, die diesen Strahl so formt, dass er am Ziel bereits das Resultat der Rechnung trägt — wie ein ‚lichtbetriebener Taschenrechner‘. Schlüsseltechniken sind: 1) Fresnel‑Linsen in Silizium‑Photonik, die Fourier‑Transformationen und Faltungsoperationen direkt leisten; 2) chip‑integrierte Laser und spektrale Multiplexierung — verschiedene Farben (Wellenlängen) übertragen parallel unterschiedliche Berechnungen; 3) Photonic‑Wire‑Bonding, das die Optik kompakt und praktisch anschließbar macht.

Leistung und Testergebnisse — beeindruckende Kennzahlen

Im Prototyp erreichte das pJTC bei einem Erkennungs‑Test (handgeschriebene Ziffern) eine Genauigkeit von rund 98 % — also konkurrenzfähig zu elektronischen Implementierungen. Die Autoren berichten Spitzenkennwerte von bis zu etwa 305 Billionen Operationen pro Sekunde pro Watt (305 TOPS/W) und 40,2 Billionen Operationen pro Quadratmillimeter. Solche Zahlen deuten auf extrem hohe Energieeffizienz und Packungsdichte bei bestimmten, für Optik geeigneten Rechenaufgaben hin.

Was das in der Praxis bedeuten könnte

Wenn sich solche Chips skalieren lassen und in Systeme integriert werden, hätten wir eine Reihe von Gewinnen: • Massive Strom‑ und Kühlreduzierungen in Rechenzentren (weniger Energiebedarf, weniger Wasserverbrauch für Kühlung). • Energiearme KI auf Edge‑Geräten (Smarte Kameras, Drohnen, Autos), die komplexe Bildverarbeitung lokal ausführen können. • Beschleunigte HPC‑Workloads in spezialisierten KI‑Modulen. Kurz: weniger Kosten, kleinere Umweltauswirkungen und mehr KI‑Rechenpower dort, wo sie gebraucht wird.

Offene Fragen und technische Herausforderungen

Die Ergebnisse sind vielversprechend — aber es lohnt sich, realistisch zu bleiben. Wichtige Punkte, die noch geklärt werden müssen: • System‑Overhead: Welchen zusätzlichen Energiebedarf erzeugen Ansteuerungselektronik, Laserstabilisierung, optisch‑elektrische Umwandlung und Schnittstellen? • Vergleichbarkeit: Ops/s/W sind nur dann aussagekräftig, wenn identische Workloads, Präzision und Systemgrenzen verglichen werden. Ein fairer Vergleich mit modernen GPUs, ASICs, spintronischen Ansätzen oder Quantenlösungen braucht standardisierte Benchmarks. • Fertigung und Integration: Photonik auf Silizium ist reif, aber Massenfertigung, Yield und Kostendruck entscheiden über kommerziellen Erfolg. • Flexibilität: Optische Ansätze sind exzellent bei bestimmten linear‑algebraischen Operationen — nicht jede KI‑Operation ist sofort auf Optik übertragbar.

Wer steckt dahinter und was kommt als Nächstes?

Die Studie stammt aus der University of Florida in Zusammenarbeit mit dem Florida Semiconductor Institute, UCLA und der George Washington University und wurde in Advanced Photonics veröffentlicht. Die Autoren weisen darauf hin, dass große Chiphersteller bereits optische Komponenten einsetzen — ein möglicher Weg zur Integration. Nächste Schritte sind: Skalierung des Chips, System‑Level‑Benchmarks mit vollständiger Peripherie, Energie‑Vergleichsstudien unter realen Bedingungen und Wege zur Massenfertigung.

Fazit: Ein spannendes Kapitel der Rechnerentwicklung — mit Vorbehalten

Die pJTC‑Architektur zeigt, wie Photonik konzeptionell die energetische Bilanz von KI‑Rechenoperationen revolutionieren kann. Die Kombination aus Fresnel‑Linsen auf Silizium, chip‑integrierten Lasern und spektraler Multiplexierung ist elegant und technisch überzeugend. Gleichzeitig bleiben Fragen zu Systemkosten, tatsächlichen Nettoeinsparungen im realen Einsatz und Vergleichbarkeit mit alternativen Ansätzen offen. Sollte sich das Konzept in vollständigen Systemen bewähren, könnte es die nächste große Welle energieeffizienter KI‑Beschleuniger lostreten.

Interessiert an mehr Innovationen an der Schnittstelle von Optik und KI? Teile diesen Beitrag, schreib in die Kommentare, welche Anwendung du als erstes mit einem solch sparsamen KI‑Chip sehen willst — und folge uns für Updates, sobald neue Studien und Benchmarks erscheinen.

Quelle: https://newatlas.com/materials/light-based-chip-ai-power-efficiency/