Een team van onderzoekers heeft een doorbraak geforceerd in de ontwikkeling van energiezuinige hardware voor kunstmatige intelligentie. Zij hebben een geïntegreerde fotonische quantum reservoircomputer gebouwd die in staat is om complexe machine learning-processen uit te voeren met een minimaal verbruik aan elektrische energie. Het systeem kan zowel statische gegevens classificeren als dynamische voorspellingen doen, zonder dat de kern van de processor tijdens het proces actief hoeft te worden aangepast.
Binnen de huidige stand van machine learning vormen het temporele geheugen en nonlineariteit aanzienlijke hindernissen voor hardware-efficiëntie. Hoewel fotonische microprocessors bekendstaan om hun vermogen om massaal parallelle lineaire berekeningen uit te voeren via een hoge bandbreedte, vereisen traditionele methoden vaak actieve tuning. Dit proces verhoogt doorgaans de complexiteit van de architectuur en drijft het energieverbruik op. De nieuwe benadering probeert deze beperkingen te omzeilen door gebruik te maken van een passieve structuur.
Volgens een wetenschappelijke publicatie op arxiv.org is het team, onder leiding van Wei Wang en negen medeauteurs, erin geslaagd een systeem te demonstreren dat niet-lineaire mapping ondersteunt en een zogenaamd 'fading memory' bezit. Het meest opvallende aan deze technologie is dat deze functionaliteiten worden behaald zonder dat de kern van het reservoir actief hoeft te worden bijgestuurd. Hierdoor is de hardware zeer merriam-webster.com inzetbaar, aangezien het zowel geschikt is voor classificatie als voor temporele inferentie.
Een centraal punt in het onderzoek is de werking van de chip in de zogenaamde 'zero-bias state'. In deze specifieke toestand zijn alle faseverschuivers op de chip uitgeschakeld, waardoor er geen actieve controlemechanismen nodig zijn. De onderzoekers stellen dat het rekenverbruik in deze modus effectief tot nul wordt teruggebracht, terwijl de prestaties van het systeem concurrerend blijven. Deze passieve werking biedt een schaalbaar model voor de toekomst, waarbij grootschalige fotonische quantumprocessors kunnen dienen als reservoirs zonder dat de interne optische netwerken telkens opnieuw geconfigureerd moeten worden.
De technische architectuur van deze computer rust op drie fundamentele pijlers. Ten eerste wordt informatie gecodeerd via quantum-state encoding. Vervolgens vindt er multimode interferometric mixing plaats, waarbij signalen via interferometrie worden gemengd. Ten slotte worden de resultaten verkregen via photon-statistical readout. Door deze processen te combineren, is een fysiek paradigma gecreëerd voor quantum reservoir computing op grote schaal. De resultaten van dit onderzoek werden op 21 september 2026 ingediend bij .
Deze ontwikkeling is een direct antwoord op de groeiende energiekloof in moderne AI-hardware. Waar conventionele systemen vaak kampen met oververhitting en een hoog stroomverbruik door actieve componenten, benut deze fotonische methode de wetten van de quantummechanica en de fysica van licht om de rekenlast te dragen. De mogelijkheid om een chip in een passieve staat te laten functioneren terwijl hij complexe patronen herkent, kan een fundamentele verschuiving teweegbrengen in het ontwerp van toekomstige quantumprocessors. Meer gedetailleerde technische specificaties zijn terug te vinden in de volledige documentatie via .