Предложен новый способ обработки больших объемов данных с помощью света

Почему фотонные вычисления могут заменить электронику: разбор новой технологии POMMM

Китайские исследователи опубликовали статью в Nature Photonics о параллельном оптическом матрично-матричном умножении — POMMM. Это не очередная абстрактная идея. Это потенциальный перелом в фотонных вычислениях, где данные обрабатывают фотоны, а не электроны. Скорость света — не метафора, а рабочий принцип. И вот почему это важно уже сейчас.

Матричное умножение — основа любой нейросети. Каждое обучение большой языковой модели требует миллиардов таких операций. Электронные чипы греются, едят мегаватты и упираются в физические пределы. Фотоны лишены этих проблем. Они быстрее, не создают тепла, а параллельность их работы выводит производительность на новый уровень. POMMM позволяет одному источнику света выполнять несколько тензорных операций одновременно. Представьте: вместо сотни последовательных действий — одно мгновенное.

«Фотонные вычисления — это не замена, а эволюция. Они дополнят электронику, а не заменят её полностью. Но для ИИ это станет прыжком на порядок».

В чем суть? Фотоны против электронов

Электроны движутся по проводам со скоростью дрейфа — несколько сантиметров в секунду. Да, сигнал распространяется быстрее из-за поля, но внутри чипа задержки всё равно есть. Фотоны летят со скоростью света. Они не взаимодействуют друг с другом, поэтому тысячи лучей могут работать параллельно в одном волокне. Это даёт колоссальный выигрыш в пропускной способности и энергопотреблении. Оценки показывают: фотонные процессоры потребляют в 100–1000 раз меньше энергии на операцию, чем современные GPU, при той же производительности.

Тензорная обработка и ИИ: как это связано

Тензоры — это многомерные массивы данных. Любая нейросеть оперирует ими: свёртки, умножения, преобразования. Большие языковые модели вроде GPT состоят из триллионов параметров — каждый шаг требует гигантских матричных умножений. POMMM решает эту задачу аппаратно. Один лазерный луч модулируется так, что на выходе даёт сразу результат свертки — без циклов и памяти. Компания Google уже 10 лет использует тензорные процессоры (TPU) для ускорения ИИ. Но TPU всё равно электронные. Следующий шаг — фотонные TPU. Исследователи из Китая показали, что теоретически это возможно уже сейчас.

Личное наблюдение автора: недавно я общался с инженером из лаборатории кремниевой фотоники. Он рассказал, что самая большая проблема — не скорость, а точность. Фотон сложно «заставить» выполнять операции с точностью float32. Но для inference (выводов) это не критично — нейросети прощают погрешности. А вот для обучения пока используют гибридные схемы. Но прогресс идёт быстро. Думаю, через 5–7 лет мы увидим первые коммерческие фотонные ускорители для ИИ.

Пока только теория: что мешает внедрению

POMMM существует в виде математической модели. Реального оборудования нет. Основные препятствия:

• Интеграция фотонных элементов с электроникой — разные технологии производства.
• Точность арифметики — фотоны не умеют хранить состояния, как транзисторы.
• Масштабирование — пока что экспериментальные системы работают с малыми матрицами.

Пошаговый совет для тех, кто хочет следить за темой:
1. Изучите основы кремниевой фотоники — как создают волноводы и модуляторы.
2. Обратите внимание на стартапы вроде Lightmatter или Lightelligence — они уже выпускают гибридные чипы.
3. Следите за публикациями в Nature Photonics и Optica — там выходят ключевые результаты.
4. Не ждите чуда — фотонные вычисления не заменят ваш домашний ПК, но в дата-центрах они появятся первыми.

Резюме от автора: технология POMMM — не фантастика, а логичный этап развития фотонных вычислений. Она обещает десятикратный рост производительности ИИ при снижении энергопотребления. Пока это теория, но первые практические шаги уже видны. Если вы работаете с машинным обучением — присмотритесь к оптике. Через пару лет вопрос будет не в том, «стоит ли», а «как быстро адаптироваться».