Группа учёных с факультета инженерии и прикладных наук Пенсильванского университета разработала новый чип, который для выполнения сложных математических операций использует не электричество, а световые волны. Кремниево-фотонный чип можно выпускать на современном оборудовании и использовать его, например, в качестве сопроцессора для GPU в задачах, связанных с машинным обучением.
Учёные создали и испытали чип на операциях векторно-матричного умножения для матриц 2 × 2 и 3 × 3. Также была показана возможность работы матрицы 10 × 10. Эти примеры продемонстрировали, что предложенные методы обладают потенциалом для создания крупномасштабных аналоговых вычислительных платформ на основе световых волн, о чём учёные рассказали в статье в журнале Nature Photonics.
В основе работы лежит доказательство концепции изготовления волноводов и аморфных линз непосредственно на кремниевой пластине с помощью стандартных техпроцессов травления и обработки пластин. Традиционные методы изготовления метаструктур страдают такими ограничениями, как узкая полоса пропускания и высокая чувствительность к ошибкам изготовления. В частности, это ограничивает масштабирование подобных архитектур.
Вместо того чтобы использовать кремниевую пластину одинаковой высоты, объясняют разработчики, «вы делаете кремний тоньше, скажем, на 150 нанометров», но только в определенных областях. Эти изменения высоты без добавления каких-либо других материалов обеспечивают средство контроля над распространением света через чип, поскольку изменения высоты могут быть распределены таким образом, чтобы свет рассеивался определенным образом, позволяя чипу выполнять математические вычисления со скоростью света.
Проще говоря, в кремнии протравливаются волноводы и создаётся система линзирования, которые обеспечат прохождение светового сигнала по лабиринту волноводов с жёстко заданным алгоритмом и в зависимости от сигналов на входе получится определённый результат. Таким сопроцессором можно дооснастить обычный графический процессор, чтобы разгрузить его от энергозатратных операций векторно-матричного умножения и, таким образом, ускорить вычисления для задач искусственного интеллекта и машинного обучения.
