Dlaczego fotonowy komputer przez 30 lat nie działał

W 1990 roku Demetri Psaltis, profesor optoelektroniki na Caltechu, opublikował w Nature artykuł, który miał zmienić oblicze informatyki. Pokazał, że hologram może wykonywać obliczenia sieci neuronowej — nie za pomocą tranzystorów, ale światła. Elektrony są wolne, rozgrzewają układ, tracą energię na rezystancję. Światło nie ma żadnego z tych problemów.

Trzydzieści pięć lat później karty graficzne NVIDII napędzają całą rewolucję sztucznej inteligencji, a fotoniczne komputery wciąż stoją na laboratoryjnych stołach — demonstracyjne, błyskotliwe i bezużyteczne poza kontrolowanym środowiskiem.

Dlaczego?

Odpowiedź nie leży w fizyce. Fizyka działała od pierwszego dnia. Problem był wyłącznie inżynieryjny i miał dokładnie trzy warstwy. Żeby zrozumieć, dlaczego żadna z nich nie poddała się przez trzy dekady, trzeba cofnąć się do momentu, w którym naukowcy po raz pierwszy uwierzyli, że uda się je wszystkie pokonać.

Pierwsza ściana: przesłuchy

W 2017 roku zespół Yichena Shena z MIT opublikował w Nature Photonics przełomową pracę: zbudowali nanofotoniczny układ scalony, który wykonywał mnożenie macierzy — podstawową operację każdej sieci neuronowej — używając wyłącznie światła. Układ działał. Problem polegał na tym, że miał zaledwie 56 komponentów optycznych.

Żeby konkurować z krzemową elektroniką, fotoniczny akcelerator musiałby mieć ich tysiące. Każdy dodatkowy element — modulator, rozgałęźnik, sprzęgacz — wprowadzał własny szum termiczny, degradował stosunek sygnału do szumu, generował przesłuchy między sąsiednimi kanałami falowodowymi. Inżynierowie próbowali skalować. Działało do kilkuset elementów. Potem układ stawał się bezużyteczny — sygnał na wyjściu przypominał bardziej rzut monetą niż wynik mnożenia macierzy.

Shen i jego współpracownicy próbowali kalibracji adaptacyjnej — algorytmu, który w czasie rzeczywistym korygowałby dryft termiczny każdego modulatora. Działało przy 56 elementach. Przy 200 — algorytm nie nadążał.

Druga ściana: pamięć, której nie ma

Elektron można zatrzymać. Tranzystor to nic innego jak kontrolowana pułapka dla ładunku elektrycznego — trzymasz go i wypuszczasz, kiedy potrzebujesz. Foton nie daje się zatrzymać w analogiczny sposób. Owszem, istnieją rezonatory optyczne, które potrafią uwięzić światło na kilkadziesiąt pikosekund — ale to za mało, żeby zbudować pamięć.

Konsekwencja jest brutalna: fotoniczny akcelerator, żeby wykonać sensowne obliczenie, musi nieustannie konwertować sygnały między domeną optyczną a elektroniczną. Światło wykonuje mnożenie — elektronika przechowuje wynik. Światło dostaje nowe dane — elektronika je formatuje. Każda konwersja światło-elektron-światło kosztuje dokładnie to, co fotoniczne komputery miały wyeliminować: czas.

Zespoły z Oksfordu, Princeton i MIT próbowały różnych obejść. Układy all-optical — bez konwersji, czysta fotonika. Nieliniowe aktywacje optyczne zamiast elektronicznych. Problem w tym, że nieliniowość w fotonice wymaga albo ekstremalnie wysokich mocy optycznych (rzędu watów na falowód — chip by się stopił), albo egzotycznych materiałów, które nie nadają się do masowej produkcji.

Trzecia ściana: algorytm szuka sprzętu, sprzęt szuka algorytmu

Jest rok 2020. Charles Roques-Carmes, doktorant ze Stanfordu, publikuje w Nature Communications algorytm heurystyczny specjalnie zaprojektowany pod fotoniczne maszyny Isinga — układy, które rozwiązują trudne problemy optymalizacyjne przez fizyczne symulowanie sieci spinowych. Algorytm jest elegancki. Problem w tym, że Roques-Carmes testuje go na symulatorze. Fizycznego układu o wystarczającej skali po prostu nie ma.

I tu właśnie trzy ściany tworzą doskonałą pętlę: nie da się skalować układu bez dojrzałego procesu produkcyjnego. Nie opłaca się budować procesu produkcyjnego bez udowodnienia, że układ w skali działa. Nie da się udowodnić, że działa, bez algorytmu — a algorytmu nikt nie napisze, dopóki nie ma sprzętu do testowania.

Przez trzydzieści lat branża krążyła w tym trójkącie.

16 tysięcy komponentów i trzeci wymiar

W kwietniu 2025 roku ten sam Roques-Carmes — już jako współautor — podpisał się pod artykułem w Nature, który przełamuje pętlę. Wspólnie z 25-osobowym zespołem z Lightelligence, singapurskiego startupu założonego właśnie przez Yichena Shena, przedstawili układ PACE: fotoniczny akcelerator zawierający ponad 16 tysięcy komponentów optycznych na pojedynczym chipie.

To więcej niż wszystkie wcześniejsze demonstratory razem wzięte.

Klucz do przełamania pierwszej ściany nie leżał w nowej fizyce. Leżał w czymś, co z zewnątrz wygląda na inżynierię opakowań, a w rzeczywistości jest fundamentalnym przełomem architektonicznym: 2.5D hybrid advanced packaging.

Wyobraźcie sobie trzypiętrowy budynek. Na parterze — elektronika: procesor ARM, kontrolery pamięci, przetworniki analogowo-cyfrowe, logika sterująca. Na pierwszym piętrze — gęsta matryca mikro-połączeń miedzianych, rozmieszczonych co kilkadziesiąt mikrometrów. Na drugim piętrze — chip fotoniczny z 16 tysiącami falowodów, modulatorów i fotodetektorów. Komunikacja między piętrami nie odbywa się przez pojedyncze połączenia na krawędziach (jak w tradycyjnym multi-chip module), ale przez tysiące pionowych kanałów rozłożonych równomiernie na całej powierzchni.

Efekt: przesłuchy między kanałami spadają radykalnie, bo każdy kanał optyczny ma własną, izolowaną ścieżkę elektroniczną. Szum termiczny może być korygowany selektywnie — algorytm kalibracyjny nie musi już śledzić wszystkich 16 tysięcy elementów jednocześnie, tylko zarządza klastrami po 64 komponenty.

Architektura pozwala też na częściowe rozwiązanie problemu pamięci. Zamiast konwertować każdy pojedynczy wynik optyczny z powrotem na elektronikę, PACE buforuje je w domenie analogowej tuż przy granicy chipu — minimalizując liczbę konwersji.

Rezultat? Układ wykonuje mnożenie macierzy 64×64 z częstotliwością taktowania 1 GHz. Pojedynczy cykl obliczeniowy: 3 nanosekundy. Dla porównania — GPU NVIDIA A10, architektura Ampere z 2021 roku, potrzebuje na to samo zadanie setek nanosekund, nawet z optymalnym harmonogramowaniem operacji w strukturze systolic array.

W teście praktycznym — rozwiązywaniu problemów Isinga, czyli znajdowaniu konfiguracji spinów minimalizującej energię w sieci z oddziaływaniami (ten sam typ matematyki co optymalizacja tras kurierskich, harmonogramowanie produkcji czy alokacja zasobów w centrach danych) — PACE był od dwóch do trzech razy szybszy niż A10. Nie dzięki wyższej przepustowości — dzięki dwóm rzędom wielkości niższej latencji na pojedynczy krok iteracyjny.

NVIDIA A10 wykonuje ogromną liczbę operacji równolegle, ale każda iteracja algorytmu wymaga przesłania danych między rdzeniami, a potem z pamięci GPU z powrotem do jednostek obliczeniowych. PACE wykonuje mniej operacji na raz, ale wynik jest dostępny natychmiast.

Kto inwestuje

Lightelligence zebrało dotychczas ponad 200 milionów dolarów od inwestorów, w tym od Baidu Ventures i singapurskiego funduszu państwowego Temasek. Firma zatrudnia ponad 150 inżynierów i posiada dwa amerykańskie patenty (US 11,734,555 i US 11,907,832) na architekturę hybrydowego pakowania układów fotoniczno-elektronicznych. Ich chipy są produkowane w komercyjnej odlewni półprzewodnikowej — TSMC — przy użyciu standardowego procesu CMOS, z dodatkową warstwą fotoniczną.

Konkurencja też nie śpi. Amerykański startup Lightmatter zebrał 420 milionów dolarów przy wycenie 4,4 miliarda na fotoniczne interkonekty dla centrów danych. Celestial AI, również z Doliny Krzemowej, pracuje nad optycznymi połączeniami między chipami — nie obliczeniami, ale komunikacją, która też jest wąskim gardłem. Luminous Computing próbowało zbudować fotoniczny superkomputer dla AI i upadło w 2024 roku po wydaniu 130 milionów — co pokazuje, że sama technologia optyczna nie gwarantuje sukcesu.

Lightelligence jest w lepszej pozycji niż Luminous z jednego powodu: ich chip jest kompatybilny z istniejącą infrastrukturą produkcji półprzewodników. PACE nie wymaga egzotycznej fabryki. To oznacza, że jeśli technologia się sprawdzi, może skalować się w tym samym tempie co elektronika — a to jest dokładnie to, czego fotonika potrzebowała przez 30 lat.

Odpowiedź z Łodzi. Problem z tape-outem.

Polska ma kompetencje w fotonice scalonej. Na Politechnice Łódzkiej Maciej Dems i Andrzej Opala publikują prace o kwantyzacji polarytonów i symulacjach struktur fotonicznych. Uniwersytet Warszawski prowadzi badania topologicznych stanów w fotonicznych heterostrukturach van der Waalsa — we współpracy z grupą z Oksfordu. AGH w Krakowie (Centrum Materiałów Polimerowych i Węglowych PAN) bada kompozyty hybrydowe dla fotoniki.

Problem nie leży w braku naukowców. Leży w tym, czego nie ma między publikacją w Optics Express a pierwszym prototypem: tape-out.

Tape-out to moment, w którym projekt układu scalonego — zapisany w plikach GDSII, zweryfikowany przez symulacje — zostaje wysłany do odlewni półprzewodnikowej. Koszt pojedynczego tape-outu w technologii fotonicznej CMOS w TSMC lub imec: od 2 do 10 milionów złotych. Dla porównania, typowy grant OPUS z Narodowego Centrum Nauki to 200–500 tysięcy złotych na cały trzyletni projekt.

Jest jedno okno: europejski program Photonics21, realizowany w ramach Horyzontu Europa jako partnerstwo publiczno-prywatne PhotonicsPPP. Budżet na lata 2021–2030: 1,5 miliarda euro. Program obejmuje nie tylko badania podstawowe, ale też pilotażowe linie produkcyjne i dostęp do komercyjnych PDK (process design kit) — czyli bibliotek projektowych, które pozwalają zaprojektować układ pod konkretną odlewnię. Dodatkowo, w ramach EU Chips Act (43 miliardy euro na europejski ekosystem półprzewodników), otwarto w 2025 roku linię pilotażową dla fotoniki krzemowej w belgijskim imec — dostępną również dla polskich konsorcjów badawczych.

Polskie zespoły mogą aplikować. Potrzebują jednak partnera przemysłowego z udokumentowanym doświadczeniem w tape-oucie układów fotonicznych. W Polsce takiego partnera nie ma — i to jest dokładnie ten sam typ luki, który przez 30 lat blokował całą branżę: nikt nie zbuduje układu bez PDK, nikt nie kupi PDK bez układu.

Różnica jest taka, że teraz wiemy, że to działa. Singapur udowodnił, że 16 tysięcy komponentów fotonicznych na jednym chipie nie jest mrzonką. Pytanie, czy Polska zdąży odpowiedzieć, zanim okno europejskich funduszy — PhotonicsPPP kończy się w 2030 roku — się zamknie. Na razie sygnał jest prosty: nauka jest. Fabryki — nie ma.

Źródła:

Hua S., Divita E., Yu S. et al. An integrated large-scale photonic accelerator with ultralow latency. Nature 640, 361–367 (2025). DOI: 10.1038/s41586-025-08786-6.

Shen Y. et al. Deep learning with coherent nanophotonic circuits. Nature Photonics 11, 441–446 (2017). DOI: 10.1038/nphoton.2017.93.

Roques-Carmes C. et al. Heuristic recurrent algorithms for photonic Ising machines. Nature Communications 11, 249 (2020). DOI: 10.1038/s41467-019-14096-z.

Psaltis D. et al. Holography in artificial neural networks. Nature 343, 325–330 (1990). DOI: 10.1038/343325a0.

Photonics21 / PhotonicsPPP. Horizon Europe Partnership. Budżet: €1.5 mld (2021–2030).