Команда инженеров из Университета Цинхуа (Tsinghua University) создала оптический вычислительный модуль, который извлекает ключевые признаки из потока данных со скоростью 12,5 гигагерца — это первое устройство на дифракционном операторе, превысившее 10-гигагерцовый предел. Разработка получила название OFE2 (Optical Feature Extraction Engine) и объединяет два компонента — модуль подготовки данных и дифракционный оператор, где вычисления выполняются не электрическими сигналами, а световыми волнами.

Дифракционный оператор — это тонкая пластинчатая структура, которая выполняет математические операции при прохождении через неё когерентного (согласованного по фазе) света. Он действует как аналог матричного умножения: волновой фронт света, проходя через материал с заданным распределением показателя преломления, преобразуется в новую картину интенсивности, из которой можно извлечь признаки входного сигнала. Таким образом, устройство превращает свет в инструмент вычислений, а не просто в носитель информации.

Главная инженерная трудность заключалась в сохранении стабильности когерентного света при скоростях выше 10 ГГц. Для этого авторы интегрировали на кристалле кремний-на-изоляторе систему управляемых делителей мощности и линий задержки, которые разделяют входной поток данных на несколько синхронных ветвей и выравнивают их по фазе. Такой подход позволил подавить фазовые колебания, возникающие в оптоволокне, и тем самым обеспечить устойчивость оптических вычислений.

После подготовки сигнала волны проходят через дифракционный оператор. Изменяя фазу света в параллельных ветвях, можно смещать максимум интенсивности («световое пятно») между выходными портами, а значит, выделять в сигнале характерные изменения — например, границы объектов на изображении или «подсвечивать» резкие скачки цен в алгоритмах. Этот процесс фактически соответствует операции выделения признаков, используемой в нейросетях.

Скорость вычислений впечатляет: одно матричное умножение занимает менее 250,5 пикосекунды — это минимальная задержка среди всех известных оптических процессоров. Общая задержка всей системы — 82,2 наносекунды — на 12 наносекунд меньше, чем у сопоставимых цифровых схем на FPGA. При этом энергоэффективность устройства достигает 2,06 триллиона операций в секунду на ватт, а энергозатраты на одно вычисление — всего 9,7 пикоДж.

Учёные продемонстрировали работу OFE2 на нескольких типах задач. При обработке изображений чип выделял края объектов и создавал две дополняющие друг друга карты признаков — с эффектом барельефа и гравировки. Подключенная к ним нейросеть повышала точность классификации рукописных цифр (датасет MNIST) до 95 %, что на 2,5 % больше, чем в базовой версии, при меньшем числе электронных параметров. В задаче сегментации органов на КТ-снимках точность выросла на 1,1 %, что эквивалентно 215 пикселям на изображение.

Затем OFE2 проверили в задаче финансового анализа — так называемой «стратегии золотого квантования». На вход подавалась серия котировок золота за 1978–2023 годы, а устройство, обучаясь на этих данных, генерировало сигналы «покупать» или «продавать» в зависимости от тенденции. После 150 циклов оптимизации модуль обеспечил устойчивую прибыльность и показал линейную корреляцию между тренировочными и тестовыми результатами.

В перспективе подобные системы могут разгрузить электронные нейросети, выполняя самые ресурсоёмкие этапы анализа в оптическом домене. Это позволит создавать гибридные ИИ-архитектуры для задач, где время реакции критично — от медицинской диагностики до высокочастотной торговли.