Photonische neuronale Netze, die direkt auf dem Chip lernen: Ein neuer Ansatz für optisches Computing im Jahr 2026

Künstliche Intelligenz benötigt enorme Rechenressourcen, insbesondere wenn neuronale Netze große Informationsmengen verarbeiten oder sich an unbekannte Aufgaben anpassen müssen. Herkömmliche elektronische Prozessoren bewältigen diese Vorgänge effizient, doch die steigende Rechenlast bringt Herausforderungen beim Energieverbrauch, beim Speicherzugriff und bei der Wärmeentwicklung mit sich. Im Jahr 2026 erzielten Forscher wichtige Fortschritte bei einem alternativen Ansatz: photonischen neuronalen Netzen, die Licht für Berechnungen nutzen und direkt mithilfe ihrer eigenen physikalischen Schaltungen lernen können. Im Laufe des Jahres veröffentlichte Experimente demonstrierten die Backpropagation direkt auf dem Chip, neue Methoden des optischen Trainings und komplexere photonische Prozessordesigns. Diese Entwicklungen bedeuten nicht, dass optische Computer bereits herkömmliche KI-Hardware ersetzen können. Sie zeigen jedoch, dass Licht beim maschinellen Lernen eine wesentlich aktivere Rolle übernehmen kann, als lediglich Informationen zwischen elektronischen Komponenten zu übertragen.

Wie photonische neuronale Netze direkt auf dem Chip lernen

Herkömmliche neuronale Netze lernen, indem sie die numerischen Verbindungen zwischen künstlichen Neuronen wiederholt anpassen. Während des Trainings erhält das System Informationen, erzeugt eine Antwort und vergleicht diese mit dem erwarteten Ergebnis. Anschließend berechnet es, welche internen Anpassungen den Fehler verringern würden. Dieser Vorgang kann insbesondere bei großen KI-Modellen Milliarden mathematischer Operationen umfassen. Grafikprozessoren sind für solche Aufgaben unverzichtbar geworden, da sie zahlreiche Berechnungen gleichzeitig durchführen können. Dennoch wird erhebliche Energie benötigt, um Informationen zwischen Prozessoren und Speicher zu übertragen. Photonische neuronale Netze verfolgen einen anderen Ansatz, indem sie ausgewählte Berechnungen durch das physikalische Verhalten von Licht ausführen, das sich innerhalb speziell entwickelter optischer Schaltungen ausbreitet.

Ein typisches photonisches neuronales Netz enthält mikroskopisch kleine optische Leitungsstrukturen, sogenannte Wellenleiter. Diese führen Licht durch einen Chip, ähnlich wie elektrische Verbindungen Signale durch herkömmliche Prozessoren transportieren. Weitere Komponenten, darunter Modulatoren und Interferometer, steuern die Intensität und Phase optischer Signale. Wenn Lichtwellen miteinander wechselwirken, kann ihr gemeinsames Verhalten mathematische Operationen darstellen, die in neuronalen Netzen verwendet werden. Beispielsweise lassen sich durch optische Interferenz gewichtete Kombinationen von Eingabewerten berechnen, sodass eine Schaltung mehrere Informationen gleichzeitig verarbeiten kann. Einige Konstruktionen nutzen außerdem unterschiedliche Lichtwellenlängen, um separate Signale durch gemeinsame Komponenten zu übertragen. Dadurch entstehen Möglichkeiten für die parallele Verarbeitung, wobei die praktischen Vorteile von der Architektur und dem Umfang der zusätzlich erforderlichen elektronischen Ausstattung abhängen.

Die größte Schwierigkeit bestand traditionell darin, diese optischen Schaltungen zu trainieren. Viele frühere photonische neuronale Netze nutzten Softwaresimulationen, um geeignete Einstellungen zu bestimmen, bevor diese auf die physische Hardware übertragen wurden. Reale optische Komponenten verhalten sich jedoch nur selten exakt so, wie ihre Computermodelle es vorhersagen. Winzige Unterschiede bei der Herstellung können beeinflussen, wie sich Licht durch eine Schaltung bewegt, während Temperaturschwankungen und optische Verluste weitere Abweichungen verursachen können. Ein neuronales Netz, das in einer Simulation gute Ergebnisse erzielt, kann deshalb auf einem tatsächlich hergestellten Chip weniger präzise arbeiten. Das Lernen direkt auf dem Chip begegnet diesem Problem, indem das Netz entsprechend dem Verhalten seiner realen physikalischen Komponenten angepasst wird. Anstatt sich vollständig auf eine idealisierte digitale Darstellung zu verlassen, berücksichtigt der Trainingsprozess das optische Bauelement während seines tatsächlichen Betriebs.

Backpropagation auf dem Chip und der Durchbruch von Nokia Bell Labs im Jahr 2026

Backpropagation gehört zu den wichtigsten Lernverfahren der modernen künstlichen Intelligenz. Nachdem ein neuronales Netz ein Ergebnis erzeugt hat, berechnet das Verfahren, welchen Beitrag einzelne Verbindungen zur Abweichung zwischen dem vorhergesagten und dem erwarteten Ergebnis geleistet haben. Mithilfe dieser Informationen kann das System seine Parameter anpassen und nachfolgende Vorhersagen verbessern. Die Umsetzung der Backpropagation mit Licht ist anspruchsvoll, weil das Training mehr als gewöhnliche Vorwärtsberechnungen erfordert. Das Netz muss auch die mathematischen Operationen unterstützen, die zur Bestimmung der Parameteränderungen notwendig sind. Dazu gehören nichtlineare Funktionen, mit denen sich komplexe Zusammenhänge erkennen lassen. Viele Jahre lang blieb es schwierig, diese Operationen direkt in photonischer Hardware auszuführen, weshalb Forscher in erheblichem Umfang auf externe elektronische Berechnungen angewiesen waren.

Im März 2026 berichteten Forscher der Nokia Bell Labs in der Fachzeitschrift Nature über einen bedeutenden Fortschritt. Ihre Studie mit dem Titel „Integrated Photonic Neural Network with On-Chip Backpropagation Training“ stellte ein tiefes photonisches neuronales Netz vor, das die für die Backpropagation erforderlichen linearen und nichtlinearen neuronalen Berechnungen auf einem einzigen optischen Chip ausführen konnte. Die Forscher verwendeten ein Gradientenabstiegsverfahren, mit dem das Netz seine internen Einstellungen anhand der auftretenden Fehler verändern konnte. Bei experimentellen nichtlinearen Klassifikationsaufgaben erreichte das Bauelement eine Genauigkeit von über 90 Prozent und erzielte damit vergleichbare Ergebnisse wie das in der Studie verwendete digitale Referenzmodell. Das System erwies sich außerdem als robust gegenüber Abweichungen, die bei der Herstellung des Chips entstanden. Dieses Ergebnis war besonders wichtig, weil es zeigte, dass physikalische Unvollkommenheiten ein erfolgreiches Training optischer neuronaler Netze nicht zwangsläufig verhindern.

Bei dem Experiment wurden elektronische Komponenten nicht vollständig aus dem Gesamtsystem entfernt. Zusätzliche Geräte, darunter ein Mikrocontroller, Speicher und elektronische Steuerschaltungen, blieben notwendig, um das Training zu koordinieren und Informationen zu verwalten. Der entscheidende Fortschritt bestand darin, dass der optische Chip selbst die wesentlichen neuronalen Berechnungen sowohl bei der Vorwärts- als auch bei der Rückwärtsverarbeitung ausführte. Dadurch verringerte sich die Abhängigkeit von einem externen digitalen Modell zur Berechnung der internen Lernvorgänge des Netzes. Diese Unterscheidung ist wichtig, wenn Aussagen über optische künstliche Intelligenz bewertet werden. Die Demonstration von 2026 zeigte ein funktionierendes Verfahren zum Trainieren eines neuronalen Netzes mithilfe integrierter photonischer Hardware. Sie bewies hingegen nicht, dass bereits ein vollständig optischer Universalcomputer für KI-Anwendungen entwickelt worden war. Die Ergebnisse schaffen eine Grundlage für weitere Forschungen an autonomeren und anpassungsfähigeren optischen Prozessoren.

Wichtige Fortschritte bei optischen neuronalen Netzen im Jahr 2026

Im Jahr 2026 verfolgten Forscher mehrere Ansätze, um photonische neuronale Netze leistungsfähiger zu machen. Eine der bedeutendsten Entwicklungen betraf die Berechnung der Anpassungen, die während des Trainings optischer Schaltungen erforderlich sind. Im Oktober veröffentlichte die Fachzeitschrift Nature Computational Science eine Studie, in der ein Verfahren namens INSPIRE vorgestellt wurde, die Kurzform für „In Situ Photonic Gradient Estimation“. Mit dieser Technik lassen sich Informationen über die für das Lernen benötigten Gradienten durch Messungen am tatsächlichen optischen System gewinnen. Das ist besonders hilfreich, weil komplexe photonische Schaltungen physikalische Eigenschaften aufweisen können, die sich in Software nur schwer exakt nachbilden lassen. Indem die Forscher Informationen direkt aus dem Bauelement nutzen, können sie optische Hardware trainieren, ohne auf ein vollständiges mathematisches Modell jeder einzelnen Komponente angewiesen zu sein.

INSPIRE verwendet ein Messverfahren auf Grundlage der synthetischen Zeitumkehr-Holografie, um zu analysieren, wie sich Licht durch eine optische Schaltung ausbreitet. Diese Informationen helfen dabei festzustellen, wie sich Änderungen einzelner Einstellungen auf das Ergebnis des Netzes auswirken. Die Forscher demonstrierten das Training optischer Matrizen mit einem relativen Fehler von ungefähr 0,26 Prozent, was unter den beschriebenen Versuchsbedingungen auf eine hohe Präzision hinweist. Außerdem untersuchten sie Lernprozesse in optischen Streustrukturen und beschäftigten sich mit Meta-Learning, einem Verfahren, das Systemen eine schnellere Anpassung an neue Aufgaben ermöglichen soll. In einem Experiment wurde gegenüber dem jeweiligen Referenzansatz eine 251-fache Modellkomprimierung und eine 136-fache Beschleunigung des aufgabenspezifischen Trainings berichtet. Diese Ergebnisse dürfen nicht als allgemeine Leistungssteigerungen gegenüber herkömmlichen KI-Prozessoren verstanden werden. Sie verdeutlichen jedoch das Potenzial von Lernverfahren, die unmittelbar auf physikalischen optischen Messungen beruhen.

Eine weitere Entwicklung, über die im April 2026 berichtet wurde, betraf ein programmierbares dreidimensionales photonisches neuronales Netz, das mithilfe der Femtosekundenlaserbearbeitung im Inneren von Glas hergestellt wurde. Im Gegensatz zu herkömmlichen optischen Schaltungen, deren Verbindungen überwiegend auf einer relativ flachen Oberfläche angeordnet sind, verwendete diese Konstruktion Lichtwege innerhalb einer dreidimensionalen Struktur. Das experimentelle Bauelement besaß acht Schichten und eine Anordnung mit acht mal acht Kanälen. Bei der Auswertung anhand des MNIST-Benchmarks zur Erkennung handgeschriebener Ziffern erreichte es eine Klassifikationsgenauigkeit von ungefähr 93 Prozent. Die Forscher berichteten außerdem über einen Rechendurchsatz von 6.554 Billionen Operationen pro Sekunde gemäß ihrer experimentellen Bewertungsmethode. Diese Architektur war nicht mit dem von Nokia Bell Labs demonstrierten System zur Backpropagation auf dem Chip gleichzusetzen. Sie zeigte jedoch, wie dreidimensionale optische Verbindungen zusätzliche Möglichkeiten für den Aufbau größerer und komplexerer photonischer Rechensysteme schaffen können.

Was die neuesten Experimente über Geschwindigkeit und Energieeffizienz zeigen

Die im Jahr 2026 veröffentlichten Versuchsergebnisse belegen deutliche Fortschritte, doch ihre Bedeutung hängt davon ab, wie die Leistung gemessen wird. Eine Klassifikationsgenauigkeit von über 90 Prozent bestätigt, dass ein optisches System eine bestimmte Lernaufgabe erfolgreich bewältigen kann. Sie bedeutet jedoch nicht, dass das Bauelement bei sämtlichen Anwendungen mit modernen kommerziellen KI-Beschleunigern konkurrieren kann. Aufgaben zur Erkennung handgeschriebener Ziffern oder vergleichsweise einfache Klassifikationsprobleme sind wesentlich weniger anspruchsvoll als das Training großer Sprachmodelle. Ebenso kann eine beeindruckende Zahl optischer Operationen pro Sekunde die mathematische Leistungsfähigkeit einer spezialisierten Schaltung beschreiben, ohne die tatsächliche Geschwindigkeit eines vollständigen Computersystems wiederzugeben. Für die Bewertung photonischer Hardware sind deshalb Vergleiche erforderlich, die Aufgabenkomplexität, numerische Präzision, Verarbeitungsgeschwindigkeit und die zum Betrieb notwendige Ausrüstung berücksichtigen.

Die Energieeffizienz bleibt einer der wichtigsten Beweggründe für die Entwicklung optischer Rechentechnik. Licht kann bestimmte mathematische Transformationen durch Interferenz und Ausbreitung ausführen und dadurch möglicherweise den Energiebedarf wiederholter numerischer Operationen verringern. Optische Schaltungen können außerdem mehrere Signale gleichzeitig verarbeiten und so die parallele Berechnung besser ausnutzen. Allerdings benötigt auch die Erzeugung und Steuerung von Licht elektrische Energie. Laser, Fotodetektoren, Signalwandler und Steuerelektronik tragen zum gesamten Energieverbrauch bei. Manche optischen Bauelemente benötigen zudem eine Temperaturregelung, um ihre Leistung stabil zu halten. Deshalb darf die Effizienz einer einzelnen photonischen Komponente nicht mit der Effizienz eines vollständigen Prozessors gleichgesetzt werden. Aussagekräftige Vergleiche messen den Energieaufwand für die Erledigung einer bestimmten Aufgabe bei festgelegter Genauigkeit und berücksichtigen dabei sämtliche erforderlichen optischen und elektronischen Vorgänge.

Eine weitere wichtige Studie, die im Juni 2026 in Nature Communications veröffentlicht wurde, demonstrierte eine photonische Mixture-of-Experts-Architektur. Der experimentelle Aufbau enthielt drei parallele optische Rechenkerne und 18 Rechenmodule, wodurch sich unterschiedliche optische Komponenten auf bestimmte Operationen spezialisieren konnten. Bei drei Aufgaben zur Bildklassifikation berichteten die Forscher über eine durchschnittliche Genauigkeit von 97,1 Prozent. Ihr Ansatz reduzierte außerdem die Anzahl der digitalen Backend-Parameter gegenüber dem verwendeten Referenzdesign um 67 Prozent. Anders als bei Systemen, die während des Betriebs durch physikalische Backpropagation trainiert werden, erfolgte die Konfiguration der optischen Strukturen dieser Architektur überwiegend auf Grundlage eines vor der Herstellung abgeschlossenen Trainings. Dies verdeutlicht die Vielfalt der aktuellen photonischen Forschung. Einige Technologien sollen Lernprozesse unmittelbar auf optischer Hardware ermöglichen, während andere bestimmte Berechnungen mithilfe vorkonfigurierter optischer Komponenten beschleunigen. Beide Ansätze können sich als nützlich erweisen, lösen jedoch unterschiedliche technische Probleme.

Praktische Anwendungen und die Zukunft photonischer KI-Chips

Die Hochgeschwindigkeits-Bildverarbeitung gehört zu den vielversprechendsten Anwendungsgebieten photonischer neuronaler Netze. Optische Schaltungen können potenziell mehrere Signale gleichzeitig analysieren, was beispielsweise bei der industriellen Qualitätskontrolle, der wissenschaftlichen Bildgebung und spezialisierten Computer-Vision-Systemen von Vorteil sein könnte. Produktionsanlagen müssen häufig Fehler oder ungewöhnliche Muster in großen Mengen visueller Informationen erkennen. Ein spezieller optischer Prozessor könnte ausgewählte Erkennungs- oder Filtervorgänge direkt in der Nähe des Erfassungssensors ausführen und dadurch die Datenmenge verringern, die an andere Rechenkomponenten übertragen werden muss. Ähnliche Möglichkeiten bestehen in der Telekommunikation, wo optische Signale bereits erhebliche Datenmengen transportieren. Die direkte Verarbeitung bestimmter Informationen in optischer Hardware könnte Umwandlungen zwischen optischen und elektrischen Signalen reduzieren. Ob daraus tatsächlich ein Vorteil entsteht, hängt allerdings vom Aufbau des gesamten Systems ab.

Adaptive Robotik und automatisierte Steuerung stellen ein weiteres interessantes Einsatzgebiet dar. Intelligente Maschinen müssen häufig auf veränderte Bedingungen reagieren, darunter Unterschiede bei der Beleuchtung, Bewegungen und Veränderungen ihrer Umgebung. Ein neuronales Netz, das seine physikalischen Parameter anpassen kann, könnte sich möglicherweise an bestimmte Veränderungen gewöhnen, ohne sämtliche Lernberechnungen wiederholt an einen separaten Computer übertragen zu müssen. Im März 2026 beschrieben Forscher ein photonisches, spikendes neuronales System mit zwei spezialisierten Chips, darunter ein programmierbares optisches Netz und eine laserbasierte Komponente zur Unterstützung nichtlinearer Operationen. Das System wurde anhand von Reinforcement-Learning-Aufgaben wie CartPole und Pendulum getestet, die häufig zur Bewertung von Steuerungsalgorithmen verwendet werden. Diese Laborexperimente demonstrierten, dass optische Hardware an Lern- und Entscheidungsprozessen beteiligt werden kann. Sie belegten jedoch noch nicht, dass die Technologie für kommerzielle autonome Fahrzeuge oder Industrieroboter geeignet ist.

Auch Rechenzentren könnten künftig von spezialisierten photonischen KI-Beschleunigern profitieren, insbesondere bei Anwendungen, die sehr viele ähnliche mathematische Operationen erfordern. Optische Verbindungen spielen bereits eine wichtige Rolle in der Kommunikation mit hoher Bandbreite. Optisches Computing eröffnet darüber hinaus die Möglichkeit, ausgewählte Informationen zu verarbeiten, ohne ausschließlich auf elektronische Recheneinheiten angewiesen zu sein. Ein realistisches zukünftiges Konzept könnte photonische Prozessoren mit herkömmlichen Grafikprozessoren und elektronischem Speicher kombinieren. Optische Komponenten würden geeignete Matrixoperationen übernehmen, während elektronische Prozessoren die Speicherung, Aufgabenverteilung, Programmsteuerung und flexiblere Berechnungen erledigen. Ein solcher hybrider Ansatz würde die Stärken beider Technologien nutzen, anstatt sämtliche vorhandenen Hardwarekomponenten ersetzen zu wollen. Die kommerzielle Verbreitung wird davon abhängen, ob die entstehenden Systeme unter realen Betriebsbedingungen messbare Vorteile bei Kosten, Leistung und Energieverbrauch bieten.

Technische Herausforderungen und die Entwicklung nach 2026

Trotz der im Jahr 2026 erzielten Fortschritte bleibt die Skalierung photonischer neuronaler Netze schwierig. Optische Schaltungen werden zunehmend komplex, wenn zusätzliche Neuronen, Verbindungen und einstellbare Parameter hinzukommen. Jede Komponente kann optische Verluste verursachen, während kleine Unterschiede bei der Herstellung das Verhalten des gesamten Netzes verändern können. Temperaturschwankungen stellen ein weiteres Problem dar, da einige photonische Komponenten empfindlich auf ihre Umgebungsbedingungen reagieren. Das In-situ-Training bietet die Möglichkeit, bestimmte Unvollkommenheiten auszugleichen, kann jedoch nicht sämtliche physikalischen Grenzen beseitigen. Größere Systeme benötigen effiziente Verfahren zur Steuerung optischer Signale bei gleichbleibend zuverlässiger Leistung. Außerdem müssen Forscher die Reproduzierbarkeit der Herstellung verbessern und praktikable Möglichkeiten entwickeln, immer komplexere photonische Schaltungen miteinander zu verbinden, ohne übermäßige Verluste oder zusätzliche Energiekosten zu verursachen.

Weitere Hindernisse betreffen die Speichertechnik und Programmierbarkeit. Herkömmliche KI-Prozessoren können große Informationsmengen speichern und zahlreiche unterschiedliche Arten von Anweisungen ausführen. Photonische Schaltungen eignen sich besonders für bestimmte mathematische Transformationen, doch eine ebenso flexible Speicherung und Steuerung ausschließlich mithilfe optischer Komponenten ist wesentlich schwieriger umzusetzen. Deshalb sind die meisten experimentellen Systeme für wichtige unterstützende Funktionen weiterhin auf Elektronik angewiesen. Auch die Softwareentwicklung stellt eine Herausforderung dar. Ingenieure benötigen Werkzeuge, mit denen sie neuronale Netzmodelle in Einstellungen optischer Schaltungen umsetzen, deren Verhalten testen und bei Bedarf Anpassungen vornehmen können. Das Fehlen breit etablierter Entwicklungsverfahren erschwert die praktische Integration. Langfristige Zuverlässigkeit, Wartungsaufwand und Herstellungskosten werden bei der Entscheidung über den kommerziellen Nutzen photonischer Prozessoren ebenso wichtig sein wie ihre im Labor gemessene Rechengeschwindigkeit.

Bis November 2026 hatten sich photonische neuronale Netze deutlich über die bloße Demonstration optischer mathematischer Operationen hinausentwickelt. Die Forschung von Nokia Bell Labs zeigte, dass integrierte optische Hardware die für die Backpropagation erforderlichen neuronalen Berechnungen ausführen kann. INSPIRE demonstrierte wiederum ein präzises Verfahren, um aus physikalischen Messungen optischer Schaltungen zu lernen. Fortschritte bei der dreidimensionalen Integration, der parallelen optischen Verarbeitung und beim photonischen Reinforcement Learning eröffneten weitere Entwicklungsmöglichkeiten. Dennoch befinden sich diese Technologien weiterhin im experimentellen Stadium und haben noch keinen allgemeingültigen Vorteil gegenüber etablierter elektronischer KI-Hardware nachgewiesen. Zu den nächsten wichtigen Meilensteinen gehören größere neuronale Netze, anspruchsvolle Tests unter realen Bedingungen, Messungen des Energieverbrauchs vollständiger Systeme und zuverlässige Herstellungsverfahren. Wenn es gelingt, diese Herausforderungen zu bewältigen, könnten photonische neuronale Netze zu wertvollen spezialisierten Bestandteilen zukünftiger Computersysteme werden, in denen Licht und Elektronik gemeinsam die rechenintensiven Aufgaben künstlicher Intelligenz übernehmen.