Fotonische neurale netwerken die rechtstreeks op een chip leren: een nieuwe benadering van optisch rekenen in 2026

Artificiële intelligentie vereist enorme hoeveelheden rekenkracht, vooral wanneer neurale netwerken grote hoeveelheden informatie moeten verwerken of zich aan onbekende taken moeten aanpassen. Traditionele elektronische processors voeren deze bewerkingen efficiënt uit, maar de toenemende werklast brengt uitdagingen met zich mee op het gebied van energieverbruik, geheugentoegang en warmteontwikkeling. In 2026 boekten onderzoekers belangrijke vooruitgang met een andere benadering: fotonische neurale netwerken die licht gebruiken om berekeningen uit te voeren en rechtstreeks via hun fysieke schakelingen kunnen leren. Experimenten die in de loop van het jaar werden gepubliceerd, demonstreerden backpropagation op de chip, nieuwe methoden voor optische training en geavanceerdere ontwerpen voor fotonische processors. Deze ontwikkelingen betekenen niet dat optische computers klaar zijn om traditionele AI-hardware te vervangen. Ze tonen echter wel aan dat licht bij machinaal leren een actievere rol kan spelen dan alleen het overbrengen van informatie tussen elektronische componenten.

Hoe fotonische neurale netwerken rechtstreeks op een chip leren

Traditionele neurale netwerken leren door de numerieke verbindingen tussen kunstmatige neuronen herhaaldelijk aan te passen. Tijdens de training ontvangt het systeem informatie, genereert het een antwoord en vergelijkt het dat antwoord met het verwachte resultaat. Vervolgens berekent het welke interne aanpassingen de fout zouden verkleinen. Dit proces kan miljarden wiskundige bewerkingen omvatten, vooral bij grote modellen voor artificiële intelligentie. Grafische processors zijn essentieel geworden voor dergelijke taken, omdat ze veel berekeningen tegelijkertijd kunnen uitvoeren. Toch is er aanzienlijk veel energie nodig om informatie tussen processors en het geheugen te verplaatsen. Fotonische neurale netwerken kiezen voor een andere aanpak door bepaalde berekeningen uit te voeren via het fysieke gedrag van licht dat zich door speciaal ontworpen optische schakelingen verplaatst.

Een typisch fotonisch neuraal netwerk bevat microscopische optische banen die golfgeleiders worden genoemd. Deze structuren leiden licht door een chip, vergelijkbaar met de manier waarop elektrische verbindingen signalen door traditionele processors transporteren. Andere componenten, waaronder modulatoren en interferometers, regelen de intensiteit en fase van optische signalen. Wanneer lichtgolven op elkaar inwerken, kan hun gezamenlijke gedrag wiskundige bewerkingen vertegenwoordigen die door neurale netwerken worden gebruikt. Zo kan optische interferentie gewogen combinaties van invoerwaarden berekenen, waardoor een schakeling meerdere gegevens tegelijk kan verwerken. Sommige ontwerpen gebruiken bovendien verschillende golflengten van licht om afzonderlijke signalen door dezelfde componenten te transporteren. Dit biedt mogelijkheden voor parallelle verwerking, hoewel de praktische voordelen afhangen van de architectuur en de hoeveelheid aanvullende elektronische apparatuur die nodig is.

De grootste uitdaging was van oudsher het trainen van deze optische schakelingen. Veel eerdere fotonische neurale netwerken waren afhankelijk van softwaresimulaties om geschikte instellingen te bepalen voordat deze naar de fysieke hardware werden overgebracht. Werkelijke optische componenten gedragen zich echter zelden precies zoals computermodellen voorspellen. Minieme verschillen tijdens de productie kunnen beïnvloeden hoe licht zich door een schakeling verplaatst, terwijl temperatuurveranderingen en optische verliezen extra afwijkingen kunnen veroorzaken. Een neuraal netwerk dat in een simulatie goed presteert, kan daardoor minder nauwkeurige resultaten opleveren wanneer het op een geproduceerde chip wordt geïmplementeerd. Leren op de chip pakt dit probleem aan door het netwerk aan te passen aan het gedrag van de daadwerkelijke fysieke componenten. In plaats van volledig afhankelijk te zijn van een geïdealiseerde digitale weergave, houdt het trainingsproces rekening met het optische apparaat terwijl het in werking is.

Backpropagation op de chip en de doorbraak van Nokia Bell Labs in 2026

Backpropagation is een van de belangrijkste leertechnieken binnen moderne artificiële intelligentie. Nadat een neuraal netwerk een resultaat heeft geproduceerd, berekent deze methode hoe afzonderlijke verbindingen hebben bijgedragen aan het verschil tussen de voorspelde en verwachte uitkomst. Met deze informatie kan het systeem zijn parameters aanpassen en toekomstige voorspellingen verbeteren. Backpropagation met licht implementeren is ingewikkeld, omdat training meer vereist dan alleen gewone voorwaartse berekeningen. Het netwerk moet ook de wiskundige bewerkingen ondersteunen die nodig zijn om parameterupdates te bepalen, waaronder niet-lineaire functies waarmee ingewikkelde verbanden kunnen worden herkend. Jarenlang bleef het moeilijk om deze bewerkingen rechtstreeks in fotonische hardware uit te voeren, waardoor onderzoekers sterk afhankelijk waren van externe elektronische verwerking.

In maart 2026 meldden onderzoekers van Nokia Bell Labs een belangrijke doorbraak in Nature. Hun onderzoek, getiteld Integrated Photonic Neural Network with On-Chip Backpropagation Training, demonstreerde een diep fotonisch neuraal netwerk dat de lineaire en niet-lineaire neurale berekeningen voor backpropagation op één optische chip kon uitvoeren. De onderzoekers gebruikten training op basis van gradiëntafdaling, waardoor het netwerk zijn interne instellingen kon aanpassen op basis van fouten. Bij experimentele niet-lineaire classificatietaken behaalde het apparaat een nauwkeurigheid van meer dan 90%, vergelijkbaar met het digitale referentiemodel uit het onderzoek. Het systeem bleek bovendien bestand tegen variaties die tijdens de productie van de chip ontstonden. Dit was een belangrijk resultaat, omdat het aantoonde dat fysieke onvolkomenheden een optisch neuraal netwerk niet noodzakelijk verhinderen om succesvol te leren.

Het experiment maakte elektronische componenten niet overbodig in het volledige systeem. Ondersteunende apparatuur, waaronder een microcontroller, geheugen en elektronische besturingsschakelingen, bleef noodzakelijk om de training te coördineren en informatie te beheren. De belangrijkste prestatie was dat de optische chip zelf de essentiële neurale berekeningen uitvoerde die betrokken zijn bij zowel voorwaartse als achterwaartse verwerking. Hierdoor werd de afhankelijkheid van een extern digitaal model voor het berekenen van de interne leerbewerkingen van het netwerk verminderd. Dit onderscheid is belangrijk bij het beoordelen van uitspraken over optische artificiële intelligentie. De demonstratie uit 2026 bevestigde een werkende methode om een neuraal netwerk te trainen met behulp van geïntegreerde fotonische hardware, maar bewees niet dat er al een volledig optische AI-computer voor algemeen gebruik was ontwikkeld. Het onderzoek vormt een basis voor verdere ontwikkeling van zelfstandigere en beter aanpasbare optische processors.

Belangrijke technologische ontwikkelingen bij optische neurale netwerken in 2026

Onderzoekers volgden in 2026 verschillende benaderingen om fotonische neurale netwerken krachtiger te maken. Een van de belangrijkste ontwikkelingen had betrekking op de manier waarop optische schakelingen de aanpassingen berekenen die tijdens de training nodig zijn. In oktober publiceerde Nature Computational Science onderzoek naar een methode met de naam INSPIRE, een afkorting van In Situ Photonic Gradient Estimation. Met deze techniek kan informatie over leergradiënten worden verkregen uit metingen aan het daadwerkelijke optische systeem. Dit is bijzonder nuttig omdat complexe fotonische schakelingen fysieke eigenschappen kunnen hebben die moeilijk nauwkeurig in software zijn na te bootsen. Door informatie rechtstreeks uit het apparaat te gebruiken, kunnen onderzoekers optische hardware trainen zonder afhankelijk te zijn van een volledig wiskundig model van iedere component.

INSPIRE gebruikt een meettechniek waarbij synthetische holografie met tijdomkering wordt toegepast om te analyseren hoe licht zich door een optische schakeling voortplant. Deze informatie helpt te bepalen hoe veranderingen aan afzonderlijke instellingen de uitvoer van het netwerk beïnvloeden. De onderzoekers demonstreerden het trainen van optische matrices met een relatieve fout van ongeveer 0,26%, wat wijst op een hoge nauwkeurigheid onder de gerapporteerde experimentele omstandigheden. Daarnaast onderzochten ze leren via optische verstrooiingsstructuren en bestudeerden ze meta-learning, een methode die systemen moet helpen zich sneller aan nieuwe taken aan te passen. In één experiment werd een 251-voudige modelcompressie en een 136-voudige versnelling van taakspecifieke training gerapporteerd ten opzichte van de specifieke referentieaanpak in het onderzoek. Deze resultaten mogen niet worden geïnterpreteerd als algemene verbeteringen ten opzichte van traditionele AI-processors, maar illustreren wel het potentieel van leermethoden die rechtstreeks op fysieke optische metingen zijn gebaseerd.

Een afzonderlijke ontwikkeling die in april 2026 werd gepubliceerd, betrof een programmeerbaar driedimensionaal fotonisch neuraal netwerk dat met behulp van femtosecondelaserschrijven in glas werd vervaardigd. Anders dan traditionele optische schakelingen, waarbij de verbindingen doorgaans over een relatief vlak oppervlak zijn verdeeld, maakte dit ontwerp gebruik van banen die door een driedimensionale structuur lopen. Het experimentele apparaat beschikte over acht lagen en een configuratie van 8 bij 8 kanalen. Bij tests met de MNIST-benchmark voor de herkenning van handgeschreven cijfers behaalde het een classificatienauwkeurigheid van ongeveer 93%. De onderzoekers rapporteerden daarnaast een rekenvermogen van 6.554 biljoen bewerkingen per seconde volgens hun experimentele beoordeling. Deze architectuur was niet gelijk aan het systeem voor backpropagation op de chip dat Nokia Bell Labs demonstreerde. Toch liet het onderzoek zien hoe driedimensionale optische verbindingen nieuwe mogelijkheden kunnen bieden voor de bouw van grotere en complexere fotonische rekensystemen.

Wat de nieuwste experimenten aantonen over snelheid en energie-efficiëntie

De experimentele resultaten uit 2026 laten aanzienlijke vooruitgang zien, maar hun betekenis hangt af van de manier waarop prestaties worden gemeten. Een classificatienauwkeurigheid van meer dan 90% bevestigt dat een optisch systeem een specifieke leertaak succesvol kan uitvoeren. Het betekent echter niet dat het apparaat bij alle toepassingen kan concurreren met geavanceerde commerciële AI-accelerators. Taken waarbij handgeschreven cijfers of relatief eenvoudige classificatieproblemen worden verwerkt, zijn aanzienlijk minder veeleisend dan het trainen van grote taalmodellen. Ook een indrukwekkend aantal optische bewerkingen per seconde kan betrekking hebben op de wiskundige capaciteit van een gespecialiseerde schakeling, en niet op de prestaties van een volledig computersysteem. Voor een goede beoordeling van fotonische hardware zijn daarom vergelijkingen nodig die rekening houden met de complexiteit van de taak, numerieke precisie, verwerkingssnelheid en de apparatuur die nodig is om het apparaat te laten functioneren.

Energie-efficiëntie blijft een van de belangrijkste redenen om optische computers te ontwikkelen. Licht kan bepaalde wiskundige transformaties uitvoeren via interferentie en voortplanting, waardoor mogelijk minder energie nodig is voor herhaalde numerieke bewerkingen. Optische schakelingen kunnen ook meerdere signalen gelijktijdig verwerken, wat een grotere mate van parallel rekenen mogelijk maakt. Het opwekken en regelen van licht vereist echter elektrische energie. Lasers, fotodetectoren, signaalomzetters en besturingselektronica dragen allemaal bij aan het totale verbruik. Sommige optische apparaten hebben bovendien temperatuurregeling nodig om stabiele prestaties te behouden. Daardoor mag de efficiëntie van één fotonische component niet worden gelijkgesteld aan die van een volledige processor. De meest betekenisvolle vergelijkingen meten hoeveel energie nodig is om een specifieke taak met een bepaalde nauwkeurigheid uit te voeren, inclusief alle noodzakelijke optische en elektronische bewerkingen.

Een ander belangrijk onderzoek, dat in juni 2026 in Nature Communications verscheen, demonstreerde een fotonische mixture-of-experts-architectuur. Het experimentele ontwerp bevatte drie parallelle optische verwerkingskernen en 18 rekenkernen, waardoor verschillende optische componenten zich konden specialiseren in bepaalde bewerkingen. Bij drie beeldclassificatietaken rapporteerden de onderzoekers een gemiddelde nauwkeurigheid van 97,1%. Hun aanpak verminderde bovendien het aantal parameters in de digitale backend met 67% vergeleken met het referentieontwerp dat in het onderzoek werd gebruikt. Anders dan bij systemen die tijdens hun werking via fysieke backpropagation worden getraind, werden de optische structuren in deze architectuur voornamelijk geconfigureerd op basis van training die vóór de fabricage was uitgevoerd. Dit illustreert de verscheidenheid aan benaderingen binnen het huidige fotonische onderzoek. Sommige technologieën zijn gericht op rechtstreeks leren met optische hardware, terwijl andere specifieke berekeningen willen versnellen met vooraf geconfigureerde optische componenten. Beide benaderingen kunnen nuttig zijn, maar lossen verschillende technische problemen op.

Praktische toepassingen en de toekomst van fotonische AI-chips

Snelle beeldverwerking behoort tot de meest veelbelovende toepassingen van fotonische neurale netwerken. Optische schakelingen kunnen mogelijk meerdere signalen tegelijkertijd analyseren, wat waardevol kan zijn voor industriële inspectie, wetenschappelijke beeldvorming en gespecialiseerde systemen voor computervisie. Productieapparatuur moet bijvoorbeeld vaak defecten of ongebruikelijke patronen herkennen in grote hoeveelheden visuele informatie. Een gespecialiseerde optische processor zou bepaalde herkennings- of filterbewerkingen kunnen uitvoeren dicht bij de plaats waar de gegevens worden vastgelegd. Hierdoor hoeft mogelijk minder informatie naar andere computercomponenten te worden overgebracht. Vergelijkbare mogelijkheden bestaan binnen de telecommunicatie, waar optische signalen al grote hoeveelheden gegevens transporteren. Door bepaalde informatie rechtstreeks in optische hardware te verwerken, kan de omzetting tussen optische en elektrische signalen worden beperkt, hoewel dit voordeel afhangt van het ontwerp van het volledige systeem.

Adaptieve robotica en geautomatiseerde besturing vormen een ander interessant toepassingsgebied. Intelligente machines moeten vaak reageren op veranderende omstandigheden, waaronder verschillen in verlichting, beweging en hun omgeving. Een neuraal netwerk dat zijn fysieke parameters kan aanpassen, zou zich mogelijk aan bepaalde veranderingen kunnen aanpassen zonder alle leerberekeningen telkens naar een afzonderlijke computer te verplaatsen. In maart 2026 beschreven onderzoekers een fotonisch neuraal systeem op basis van spikes, bestaande uit twee gespecialiseerde chips, waaronder een programmeerbaar optisch netwerk en een lasercomponent die niet-lineaire bewerkingen ondersteunde. Het systeem werd getest met reinforcement-learningtaken zoals CartPole en Pendulum, die vaak worden gebruikt om besturingsalgoritmen te evalueren. Deze laboratoriumexperimenten toonden aan dat optische hardware kan deelnemen aan leer- en besluitvormingsprocessen, maar bewezen niet dat de technologie al geschikt is voor commerciële autonome voertuigen of industriële robots.

Datacenters zouden uiteindelijk kunnen profiteren van gespecialiseerde fotonische AI-accelerators, vooral wanneer grote aantallen vergelijkbare wiskundige bewerkingen moeten worden uitgevoerd. Optische verbindingen spelen al een belangrijke rol in communicatie met hoge bandbreedte, en optisch rekenen biedt de mogelijkheid om bepaalde informatie te verwerken zonder uitsluitend afhankelijk te zijn van elektronische rekeneenheden. Een realistisch toekomstig ontwerp kan fotonische processors combineren met traditionele grafische processors en elektronisch geheugen. Optische componenten zouden geschikte matrixbewerkingen kunnen uitvoeren, terwijl elektronische processors verantwoordelijk blijven voor opslag, taakverdeling, programmering en flexibelere berekeningen. Deze hybride aanpak maakt gebruik van de sterke punten van beide technologieën in plaats van alle bestaande hardware te proberen vervangen. Commerciële toepassing zal afhangen van de vraag of de resulterende systemen onder praktische bedrijfsomstandigheden meetbare voordelen bieden op het gebied van kosten, prestaties en energieverbruik.

Technische uitdagingen en verwachtingen voor de periode na 2026

Ondanks de vooruitgang in 2026 blijft het opschalen van fotonische neurale netwerken moeilijk. Optische schakelingen worden steeds ingewikkelder naarmate meer neuronen, verbindingen en instelbare parameters worden toegevoegd. Iedere component kan bijdragen aan optische verliezen, terwijl kleine productieverschillen het gedrag van het volledige netwerk kunnen beïnvloeden. Temperatuurveranderingen vormen eveneens een aandachtspunt, omdat sommige fotonische componenten gevoelig zijn voor hun omgevingsomstandigheden. Training in situ biedt mogelijkheden om bepaalde onvolkomenheden te compenseren, maar kan niet alle fysieke beperkingen wegnemen. Grotere systemen vereisen efficiënte methoden om optische signalen te regelen en tegelijkertijd betrouwbare prestaties te behouden. Onderzoekers moeten bovendien de consistentie van productieprocessen verbeteren en praktische manieren ontwikkelen om steeds complexere fotonische schakelingen met elkaar te verbinden zonder buitensporige verliezen of extra energiekosten te veroorzaken.

Geheugen en programmeerbaarheid brengen aanvullende obstakels met zich mee. Traditionele AI-processors kunnen grote hoeveelheden informatie opslaan en uiteenlopende soorten instructies uitvoeren. Fotonische schakelingen zijn bijzonder aantrekkelijk voor bepaalde wiskundige transformaties, maar het volledig optisch realiseren van even flexibele opslag- en besturingsfuncties is aanzienlijk ingewikkelder. Daarom blijven de meeste experimentele systemen voor belangrijke ondersteunende functies afhankelijk van elektronica. Ook softwareontwikkeling vormt nog een uitdaging. Ingenieurs hebben hulpmiddelen nodig waarmee neurale netwerkmodellen kunnen worden vertaald naar instellingen van optische schakelingen, waarmee het gedrag van die schakelingen kan worden getest en waarmee ze zo nodig kunnen worden aangepast. Het ontbreken van breed geaccepteerde ontwikkelmethoden maakt praktische integratie ingewikkelder. Betrouwbaarheid op lange termijn, onderhoudsvereisten en productiekosten zullen minstens zo belangrijk zijn als de verwerkingssnelheid in laboratoriumomstandigheden wanneer moet worden bepaald of fotonische processors commercieel bruikbaar kunnen worden.

In november 2026 waren fotonische neurale netwerken verder gevorderd dan het eenvoudig demonstreren van optische wiskundige bewerkingen. Het onderzoek van Nokia Bell Labs toonde aan dat geïntegreerde optische hardware de neurale berekeningen kan uitvoeren die nodig zijn voor backpropagation, terwijl INSPIRE een nauwkeurige methode demonstreerde om te leren op basis van fysieke metingen aan optische schakelingen. Vooruitgang op het gebied van driedimensionale integratie, parallelle optische verwerking en fotonisch reinforcement learning liet aanvullende mogelijkheden zien om de technologie verder te ontwikkelen. Deze prestaties bevinden zich echter nog in een experimenteel stadium en tonen nog geen algemeen voordeel aan ten opzichte van gevestigde elektronische AI-hardware. De volgende belangrijke stappen zijn grotere neurale netwerken, veeleisende praktijktests, metingen van het energieverbruik van complete systemen en betrouwbare productiemethoden. Als onderzoekers deze uitdagingen kunnen oplossen, kunnen fotonische neurale netwerken waardevolle gespecialiseerde onderdelen worden van toekomstige computersystemen, waarbij licht en elektronica samen de veeleisende berekeningen van artificiële intelligentie uitvoeren.