Licht im Chip

Diese besonderen Chips für KI und andere Aufgaben in großen Rechenzentren haben ein Problem: Sie verbrauchen viel Energie. Eine Studie des US-Energieministeriums stellte Ende 2024 fest, dass der Anteil der Datenzentren am Energieverbrauch der USA seit 2017 schnell steigt. Während er zuvor bei 1,9 Prozent lag – das entspricht einem Verbrauch von jährlich etwa 60 Terawattstunden (TWh), erreichte der Jahresbedarf 2018 schon 76 TWh und wuchs bis 2023 weiter auf 176 TWh oder einen US-weiten Anteil von 4,4 Prozent. Für die nächsten Jahre prognostizieren Marktforscher ein weiteres, exponentielles Wachstum bis auf einen Wert zwischen 325 und 580 TWh. Diesen Anstieg führen sie im Wesentlichen auf die Nutzung der sogenannten Graphic Processing Units (GPU) für KI-Anwendungen zurück.

Doch gleichzeitig stehen GPUs vor einem Bandbreitenengpass. Elektrische Verbindungen auf Rack-, Board- und Chip-Ebene sind nicht schnell genug. Sie können bis zu 200 Gbit/s übertragen, eine Glasfaser jedoch hat etwa die zehnfache Bandbreite. Hier kommt der Laser ins Spiel: Der Prozessorhersteller Nvidia kündigte auf einer Konferenz im März 2025 die Einführung von „Spectrum-X Photonics-Switches“ an. Ein solcher Schalter kann 1,6 Tbit/s pro Anschluss (Port) übertragen. Seine gesamte Bandbreite beträgt je nach Zahl der Ports zwischen 100 und 400 Tbit/s. Der technische Kniff, der das ermöglicht, ist der Übergang von elektrischen zu photonischen Verbindungen. Licht hat gegenüber Elektronen den Vorteil, dass sich Signale mit verschiedenen Farben gleichzeitig übertragen lassen.

Optische Computer rechnen analog

Die „Photonic interconnects“ zwischen Computerprozessoren sind komplexe optoelektronische Systeme. Sie bringen die auf Licht basierende Technik ganz nah an den Prozessor heran. Aber auch da werden die Lichtsignale letztlich in digitale elektrische Signale umgewandelt, gerechnet wird weiter mit Elektronen. Dafür nutzen konventionelle Computer eine sogenannte von-Neumann-Architektur – benannt nach dem ungarisch-US-amerikanischen Mathematiker John von Neumann –, bei der digitale Signale durch eine große Zahl von Transistoren verarbeitet und in schnell beschreib- und lesbaren Speicherzellen abgelegt werden. Lichtsignale haben Probleme mit dieser Architektur: Sie lassen sich nicht einfach speichern, müssen also sofort verarbeitet werden. Und sie beeinflussen sich nicht gegenseitig, was den Einsatz von Transistoren schwierig macht. Auf Licht basierende Prozessoren brauchen also eine andere Architektur.

Dafür bietet sich das alte Konzept eines Analogrechners an, bei dem Signale verknüpft werden, ohne sie in digitale Zahlen zu verwandeln. Ein Transistor verknüpft auch solche Signale, doch optische Systeme können noch viel mehr: Ein Prisma zum Beispiel führt eine Fouriertransformation – eine mathematische Methode, um Signale in ihre spektralen Bestandteile zu zerlegen – auf analoge Weise ohne Zwischenschritte aus. Die Linse in einer Brille macht aus einem unscharfen ein scharfes Bild, ein spezielles Mikrolinsen-Array verwandelt ein rundes in ein rechteckiges Strahlprofil.

Jedes dieser Systeme beherrscht eine Operation. Ihre Genauigkeit ist durch den Signal-Rausch-Abstand bestimmt – die Differenz zwischen den Pegeln des nutzbaren Signals und dem überlagerten zufälligen Rauschen. Doch es gibt eine weitere Eigenschaft, die für die Effizienz optischer Computer besonders interessant ist: Optische Signale lassen sich überlagern, ohne sich gegenseitig zu beeinflussen. So wird die Bandbreite in einer Glasfaser erhöht, indem man Signale mit Licht unterschiedlicher Wellenlängen gleichzeitig überträgt. Wer das in der Datenverarbeitung umsetzt, kann die Rechenleistung vervielfachen, ohne den Prozessor dafür zu verändern.

Die Arbeitspferde: kleine Interferometer

Prismen, Linsen, Gitter – es gibt eine Vielzahl optischer Komponenten, die sich für die Datenverarbeitung anbieten. Im Moment sind kleine Interferometer stark im Kommen, weil sie skalierbar und integrierbar sind, und eine recht praktische Funktion beherrschen: die sogenannte Matrixmultiplikation.

Besonders gut dafür geeignet sind „Mach-Zehnder-Interferometer“ (MZI). Eine solche Anordnung hat zwei Arme, in die ein Strahlteiler je die Hälfte einer einfallenden Lichtwelle leitet. Am Ende des MZI werden die Teilwellen wieder zusammengeführt und überlagern sich. Ist das Licht aus den beiden Armen kohärent, schwingt also im Gleichtakt, addieren sich die Amplituden des elektrischen Felds der einzelnen Teilwellen. Verzögert hingegen ein Modulator das Signal in einem der Arme, so verändert sich die Summe der Teilwellen entsprechend. Ist die Verzögerung gleich einer halben Wellenlänge, löschen sich beide Teilwellen gegenseitig aus.

Der Modulator nutzt für die Phasenverzögerung ein elektrisches Signal. Das kann die Phase zum Beispiel über den elektrooptischen Effekt im Modulator beeinflussen. Dabei verändert sich der Brechungsindex für das Licht unter dem Einfluss eines elektrischen Feldes. Daneben gibt es auch Lösungen, bei denen der Modulator thermisch arbeitet, aber der elektrooptische Effekt ist schneller und energieeffizienter, weil dabei keine Wärmeenergie strömt. Ein Mach-Zehnder-Interferometer mit einem elektrooptischen Modulator (EOM) hat viele Vorteile: Alle seine Bestandteile sind aus der Optoelektronik bekannt, sie können entsprechend integriert und skaliert werden. Das Licht wird dafür durch Wellenleiter transportiert. Ein typisches Material für den Bau eines MZI ist Lithiumniobat. Dieses lässt sich auf klassischen Wafern aufwachsen, wodurch sich Mikrochips mit Wellenleitern und elektrooptischen Modulatoren in Halbleiterfabriken herstellen lassen.

Multiplikation von Signalen

Mehrere MZI lassen sich entweder nebeneinander oder nacheinander anordnen. Für eine Matrixmultiplikation ist das entscheidend: Wenn zum Beispiel acht Mach-Zehnder-Interferometer parallel geschaltet sind, lässt sich als Input ein Vektor aus acht Signalen einspeisen. Dieser Vektor wird durch die acht Modulatoren in den MZI verändert. Kommt nach der ersten Interferometerreihe eine weitere hinzu, so wiederholt sich der Vorgang. Die Operation, die das optische und das elektrische Signal verknüpft, wird oft als Multiplikation beschrieben, korrekt wäre aber der mathematische Begriff der Faltung. Für die Anwendung spielt diese Unterscheidung keine Rolle.

Eine Matrixmultiplikation ist die häufigste Operation, die bei maschinellem Lernen angewandt wird. In der Lernphase werden durch viele Durchläufe die Matrixkoeffizienten – die „Gewichte“ – bestimmt, die einen bestimmten Input mit einem vorgegebenen Ergebnis verknüpfen. In einem einfachen Beispiel kann man geschriebene Ziffern einlesen und über Matrixoperationen den passenden Zahlen in Druckschrift zuordnen. Die Gewichte werden dabei so lange verändert, bis die geschriebene „2“ vieler Testpersonen tatsächlich der korrekten Zahl „2“ zugeordnet wird. Genauso funktioniert das auch für die Unterscheidung guter und schlechter Schweißnähte in der Automobilindustrie oder bei großen Sprachmodellen der Künstlichen Intelligenz wie ChatGPT.

Hat das System ausgelernt, ist also die Wahrscheinlichkeit, dass ein Inputvektor dem richtigen Outputvektor zugeordnet wird, groß genug, dann werden die Gewichte fixiert – und das System ist bereit für die Arbeit. Es könnte also handschriftliche Ziffern, die in den Input-Lasersignalen codiert sind, am Ausgang den richtigen Zahlen zuordnen.

Sind die Gewichte für verschiedene Wellenlängen gleich, lassen sich auch mehrere Vektoren mit verschiedenen Wellenlängen gleichzeitig verarbeiten. Hochgerechnet auf ein großes Sprachmodell kann das System mehrere Anfragen simultan bearbeiten. Die bei dieser Signalverarbeitung erzielten Ergebnisse lassen sich nur spektral wieder voneinander trennen.

Die Geschwindigkeit des Prozesses hängt im Wesentlichen von der Laufzeit der Signale im System ab – bei einem optischen Computer ist das die Lichtgeschwindigkeit – und von der anschließenden Rückverwandlung in elektrische Signale. Wichtig: Der Energieverbrauch ist erheblich geringer als bei elektronischen Rechnern, da so gut wie kein Licht in Wärme verwandelt wird.

Die Entwicklung photonischer integrierter Schaltungen (PIC) begann vor einigen Jahren. Von ihren elektronischen Pendants unterscheiden sie sich vor allem in puncto Materialvielfalt: Indiumphosphid und Galliumarsenid eignen sich gut für die Herstellung von Lasern und Detektoren, Lithiumniobat, eine Verbindung aus Lithium, Niob und Sauerstoff, kommt beim Bau elektrooptischer Modulatoren zum Einsatz, Siliziumnitrid und Glas eignen sich für Wellenleiter. Und das sind nur ein paar Beispiele, das gesamte Materialspektrum ist noch breiter.

Die Fertigung elektronischer integrierter Schaltkreise dagegen basiert fast nur auf reinem Silizium. Darauf sind die weltweiten Lieferketten ausgerichtet. PIC haben deshalb ein Henne-Ei-Problem: Der Markt für einzelne Materialsysteme erreicht kein ausreichend großes Volumen, um für eine industrielle Fertigung wirtschaftlich rentabel zu sein. Doch ohne Fertigung im großen Stil fehlt das Geld, um die Technik weiterzuentwickeln und an neue Lösungen anzupassen. Das könnte sich jetzt allerdings ändern.

Am 17. Juli 2025 hat das Stuttgarter Start-up Q.ant bekannt gegeben, dass es 62 Millionen Euro eingeworben hat, um die Markteinführung seiner energieeffizienten photonischen Prozessoren für Künstliche Intelligenz und Hochleistungsrechner zu beschleunigen. Die Ziele des jungen Unternehmens sind ambitioniert: In etwa zwei Jahren wollen die Stuttgarter einen Prozessor vorstellen, der bei der Leistung mit aktuellen Produkten von Nvidia konkurrieren kann. Zugleich soll er nur rund ein 30stel so viel Energie verbrauchen.

Bereits wenige Tage nach der abgeschlossenen Finanzierungsrunde hat Q.ant den ersten photonischen Rechner für KI-Anwendungen am Leibniz-Rechenzentrum der Bayerischen Akademie der Wissenschaften in Garching bei München in Betrieb genommen. Aus diesem Anlass veröffentlichte das Unternehmen aus Stuttgart noch einmal höhere Ansprüche: So sollen seine photonischen Computer künftig sogar nur ein 90stel des Stromverbrauchs pro Anwendung haben – dank einem geringeren Kühlbedarf der mit Licht statt Elektronen arbeitenden Prozessoren. Gleichzeitig wollen die Entwickler bei Q.ant die Kapazität von Rechenzentren um den Faktor 100 steigern, indem Rechendichte und Rechengeschwindigkeit durch Nutzung von Photonen deutlich steigen.

Im Inneren der Module setzt das Unternehmen auf Mach-Zehnder-Interferometer mit dünnen Schichten aus Lithiumniobat. Die Schaltkreise befinden sich auf einer Platine, die PCI-kompatibel ist. Gefertigt werden sie in einer eigenen Fabrik. Q.ant konnte dafür am Institut für Mikroelektronik IMS CHIPS in Stuttgart eine ältere Fertigungslinie für Halbleiterbauelemente umnutzen. Diese Pilotlinie ist so konzipiert, dass sie bis zu 1.000 Wafer pro Jahr produzieren kann.

Sparsamer Rechenprotz aus Shanghai

Während Q.ant an der wirtschaftlichen Umsetzung arbeitet, wird andernorts weiter intensiv geforscht. 2025 rückten die chinesischen Aktivitäten ins Rampenlicht. Ein Zeitungsartikel in der South China Morning Post berichtete von „Meteor-1“, einem photonischen integrierten Schaltkreis, den Wissenschaftler am Shanghai Institute of Optics and Fine Mechanics entwickelt haben. Der Chip könne bis zu 200 Lichtwellenlängen gleichzeitig verarbeiten, hieß es, und theoretisch bis zu 2.560 TOPS (Teraoperationen pro Sekunde) beim Arbeitstakt von 50 Gigahertz erreichen. Das ist vergleichbar mit der Leistungsfähigkeit konventioneller Grafikchips der Firma Nvidia, deren Prozessoren allerdings bis zu 700 Watt Leistung verbrauchen. Das photonische Gegenstück aus China dürfte bloß einen Bruchteil davon benötigen. Die Verlockung, mit solchen Chips die amerikanische technologische Dominanz zu umgehen, ist nicht nur in China groß. Auch das hat der Entwicklung optischer Prozessoren Schwung verliehen. ■

Menschen orientieren sich bei Entscheidungen an den Erfahrungen anderer. Dieses als „Social Proof“ bekannte psychologische Phänomen…