Fotonische chips — processors die berekeningen uitvoeren met fotonen in plaats van elektronen — waren lange tijd vooral een onderwerp voor onderzoeksinstellingen en futuristische presentaties. Nu begint die technologie echter de stap te maken naar echte datacenters en supercomputers. Vooral het Duitse bedrijf Q.ANT trekt aandacht met zijn zogeheten Native Processing Unit (NPU), een fotonische processor die volgens vroege benchmarks enorme winst laat zien op het gebied van snelheid en energieverbruik.
Waarom traditionele chips tegen grenzen aanlopen
De opmars van AI heeft een enorme vraag naar rekenkracht veroorzaakt. Moderne AI-modellen vereisen gigantische hoeveelheden matrixberekeningen, waarvoor GPU’s momenteel de standaard zijn. Maar die aanpak kent steeds grotere nadelen.
Datacenters verbruiken inmiddels enorme hoeveelheden elektriciteit en produceren grote hoeveelheden warmte. Voor de nieuwste AI-systemen zijn complete koelinstallaties nodig, terwijl energiebedrijven moeite hebben om aan de stijgende vraag te voldoen. Tegelijkertijd begint de klassieke schaalvergroting van chips — bekend als Moore’s Law — af te vlakken. Het wordt steeds moeilijker en duurder om meer prestaties uit traditionele siliciumchips te halen.
Daarnaast speelt de zogenoemde “memory wall”: processors kunnen steeds sneller rekenen, maar het verplaatsen van data tussen geheugen en chip vormt een groeiende bottleneck. Vooral AI-workloads worden daardoor beperkt door energieverbruik en datatransport, niet alleen door pure rekenkracht.
Rekenen met licht in plaats van elektriciteit
Fotonische processors proberen dat probleem fundamenteel anders aan te pakken. In plaats van elektrische signalen gebruiken deze chips lichtgolven om berekeningen uit te voeren. Dat levert meerdere voordelen op.
Licht beweegt extreem snel, produceert nauwelijks warmte en kan meerdere signalen tegelijk verwerken via technieken zoals wavelength-division multiplexing. Daarbij worden verschillende golflengtes van licht parallel gebruikt voor afzonderlijke databerekeningen.
Q.ANT maakt gebruik van dunne lagen lithiumniobaat, een materiaal dat zeer geschikt is voor optische toepassingen. Door slim gebruik te maken van optische interferentie kan de chip complexe matrixoperaties uitvoeren die essentieel zijn voor AI-inferentie en wetenschappelijke simulaties.
Het resultaat is een processor die theoretisch veel efficiënter werkt dan traditionele GPU’s. Niet alleen qua snelheid, maar vooral qua energieverbruik per berekening.
Van laboratorium naar supercomputer
Wat deze ontwikkeling bijzonder maakt, is dat het niet langer alleen om experimentele prototypes gaat. Q.ANT heeft zijn fotonische NPU inmiddels geïntegreerd in systemen van het Leibniz Supercomputing Centre in Duitsland. Daarmee verschuift fotonisch rekenen van onderzoeksproject naar praktische infrastructuur.
Volgens gepubliceerde resultaten levert de tweede generatie van de processor aanzienlijke verbeteringen ten opzichte van eerdere versies. Er wordt gesproken over grote sprongen in throughput, AI-inferentieprestaties en energie-efficiëntie.
Dat is belangrijk, omdat de AI-industrie momenteel worstelt met een groeiend energieprobleem. Grote AI-modellen vereisen steeds meer hardware, terwijl de operationele kosten van datacenters explosief stijgen. Als fotonische co-processors daadwerkelijk vergelijkbare prestaties kunnen leveren met veel minder stroomverbruik, zou dat de economische basis van AI-computing drastisch kunnen veranderen.
Nog lang niet perfect
Toch zijn er nog belangrijke uitdagingen voordat fotonische chips traditionele GPU’s volledig kunnen vervangen. Een van de grootste problemen blijft geheugen. Hoewel berekeningen optisch kunnen worden uitgevoerd, moet data vaak nog steeds elektronisch worden opgeslagen en verwerkt. Dat betekent dat omzetting tussen optische en elektrische signalen noodzakelijk blijft — een proces dat tijd en energie kost.
Daarnaast is de softwarekant nog relatief jong. De huidige AI-infrastructuur is grotendeels gebouwd rond CUDA en traditionele GPU-architecturen. Nieuwe fotonische hardware vereist aangepaste software, programmeermodellen en optimalisaties.
Ook schaalbaarheid blijft een vraagstuk. GPU’s profiteren van tientallen jaren productie-optimalisatie en wereldwijde toeleveringsketens. Fotonische chips bevinden zich nog in een vroege commerciële fase.
Een mogelijke doorbraak voor AI-infrastructuur
Ondanks die obstakels groeit de interesse in optische computing snel. Niet alleen vanwege hogere prestaties, maar vooral omdat de huidige koers van AI op lange termijn mogelijk onhoudbaar wordt qua energieverbruik.
De ontwikkeling van fotonische NPUs laat zien dat de industrie actief zoekt naar alternatieven voor klassieke siliciumarchitecturen. Waar GPU’s steeds groter, heter en duurder worden, beloven fotonische processors juist efficiëntie, lagere warmteproductie en snellere gegevensverwerking.
Of deze technologie daadwerkelijk de dominante vorm van AI-hardware wordt, is nog onzeker. Maar één ding lijkt duidelijk: rekenen met licht is niet langer sciencefiction. Het begint een serieuze kandidaat te worden voor de volgende generatie supercomputers en AI-datacenters.
