Kann Licht wirklich rechnen? Photonic Computing ohne Marketing erklärt

Kurz gesagt: Ja — aber nur einen Teil der Arbeit. Licht kann die Multiplikationen erledigen, aus denen neuronale Netze zum größten Teil bestehen, und das ist auf echten Chips gezeigt. Speichern, Steuern und Entscheiden bleibt dagegen Aufgabe der Elektronik. Ob sich der Umweg über das Licht unterm Strich lohnt, hängt vor allem an der Schnittstelle zwischen beiden Welten — und genau die ist bis heute die offene Flanke.

In der Landkarte Was kommt nach CPU und GPU? hat Photonik nur einen kurzen Abschnitt bekommen. Hier geht es tiefer: wie das Prinzip funktioniert, welche Experimente es wirklich gibt, wo die Physik bremst und wie man Herstellerversprechen einordnet.

Die Grundidee: Überlagerung ist schon eine Rechnung #

Ein neuronales Netz besteht zum großen Teil aus einer einzigen Operation: der Matrix-Vektor-Multiplikation. Ein Eingangsvektor (etwa die Pixel eines Bildes oder die Zahlen, die ein Wort repräsentieren) wird mit einer Tabelle von Gewichten multipliziert, die Produkte werden aufsummiert. Eine GPU erledigt das mit Tausenden von Rechenwerken, die Zahlen aus dem Speicher holen, multiplizieren, addieren und das Ergebnis zurückschreiben.

Licht macht etwas Ähnliches von selbst. Treffen zwei Lichtwellen aufeinander, überlagern sie sich: Wellenberg auf Wellenberg verstärkt sich, Wellenberg auf Wellental löscht sich aus. Physiker nennen das Interferenz. Entscheidend ist: Die Überlagerung ist linear. Das Ergebnis ist eine gewichtete Summe der Eingänge — also genau das, was bei einer Matrixmultiplikation passiert.

Ein einfaches Rechenbeispiel (eigene Rechnung, idealisiert): Ein Strahlteiler, der Licht 50:50 aufteilt, bekommt an seinen zwei Eingängen die Lichtamplituden a und b. An den Ausgängen kommen (a + b)/√2 und (a − b)/√2 heraus. Das ist eine 2×2-Matrix, angewendet auf den Vektor (a, b) — ohne dass irgendein Rechenwerk getaktet hätte. Die Rechnung ist die Ausbreitung des Lichts.

Damit die Matrix einstellbar wird, kombiniert man Strahlteiler mit Phasenschiebern — kleinen Heizelementen oder Modulatoren, die eine Lichtwelle minimal verzögern. Ein solcher Baustein heißt Mach-Zehnder-Interferometer (MZI). Viele MZIs hintereinander bilden ein Netz, durch das Licht von mehreren Eingängen zu mehreren Ausgängen läuft. Durch Zerlegung in zwei solche Netze und eine Zwischenstufe, die Licht gezielt abschwächt, lässt sich eine beliebige Matrix auf einem Chip einstellenDemonstriert — die Mathematik dahinter heißt Singulärwertzerlegung. Wie ein MZI im Detail funktioniert, ist ein eigenes Thema.

In Vorbereitung: Das Mach-Zehnder-Interferometer — der Grundbaustein photonischer Rechner.

Am Ende misst ein Photodetektor die Helligkeit an jedem Ausgang. Die gemessene Intensität ist das Rechenergebnis — als analoges Signal, das erst noch in eine Zahl übersetzt werden muss.

Warum gerade KI? Drei Eigenschaften, ein Mythos #

Parallelität über Farben. Licht verschiedener Wellenlängen stört sich in derselben Leitung kaum. Das nutzt die Glasfasertechnik seit Jahrzehnten als Wellenlängenmultiplex (englisch WDM): viele Datenströme, jeder auf seiner eigenen Farbe, in derselben Faser. Für Rechner heißt das: Mehrere Eingangsvektoren können gleichzeitig durch dieselbe Matrix laufen. Ein photonischer Tensorkern verarbeitete vier Eingangsvektoren parallel auf unterschiedlichen Wellenlängen, erzeugt aus einem einzigen Frequenzkamm-ChipDemonstriert.

Geringe Latenz. Latenz ist die Zeit von der Eingabe bis zum Ergebnis. Weil die Rechnung beim Durchlaufen des Chips passiert und nicht in vielen getakteten Einzelschritten, kann sie sehr kurz sein — interessant für Anwendungen, bei denen jede Nanosekunde zählt, etwa in der Signalverarbeitung von Glasfasernetzen.

Kaum Wärme bei der Rechnung selbst. Lineare Lichtausbreitung verbraucht nahezu keine Energie; die eigentlichen Kosten entstehen beim Einspeisen und Auslesen der Daten. Weil diese Kosten mit der Länge des Vektors wachsen, die Rechenarbeit einer Matrixmultiplikation aber mit deren Quadrat, könnte sich Optik erst bei großen Matrizen lohnenTheorie.

Der Mythos: „Rechnen mit Lichtgeschwindigkeit“. Das klingt nach dem Hauptargument, ist es aber nicht. Signale in den Leitungen heutiger Chips sind nur etwa fünfmal langsamer als Licht im Vakuum; die Lichtgeschwindigkeit ist deshalb kein entscheidender Vorteil der OptikBelegt. Wer mit ihr wirbt, erklärt meist nicht, woher der Vorteil wirklich kommen soll.

Was im Labor tatsächlich gezeigt wurde #

Die folgenden Arbeiten sind begutachtet und auf echter Hardware gelaufen. Sie zeigen gut, wie sich das Feld Schritt für Schritt vorgearbeitet hat — und wie klein die Netze lange waren.

2017 — der Kernbaustein. Ein programmierbarer Silizium-Chip mit 56 Mach-Zehnder-Interferometern führte den linearen Teil eines neuronalen Netzes für Vokalerkennung ausDemonstriert. Die Details sind lehrreich: Das Netz hatte vier Schichten mit je vier Neuronen, trainiert wurde auf einem normalen Computer, und die nichtlineare Aktivierung lief elektronisch. Der Chip erkannte 76,7 Prozent der Testfälle richtig, die Simulation desselben Netzes 91,7 ProzentDemonstriert. Als Fehlerquellen nennen die Autoren ungenau eingestellte Phasen, Rauschen der Photodetektoren und Wärme-Übersprechen zwischen den Phasenschiebern.

2021 — viele Farben, Gewichte im Chip. Ein photonischer Tensorkern mit Phasenwechsel-Speicherzellen und Frequenzkamm erreichte Billionen Multiplikations-Additions-Operationen pro Sekunde bei Bandbreiten über 14 GigahertzDemonstriert. Die Gewichte stecken dabei in einem Material, das zwischen glasartigem und kristallinem Zustand wechseln kann und das Licht unterschiedlich stark durchlässt — das bleibt auch ohne Strom erhalten. Ein kleines Faltungsnetz erreichte bei handgeschriebenen Ziffern 95,3 Prozent Genauigkeit gegenüber 96,1 Prozent in der Rechnung; einzelne Skalarprodukte lagen bei einer Auflösung von etwa 5 BitDemonstriert. Zum Vergleich: Lokale Sprachmodelle laufen heute typischerweise mit 4 bis 8 Bit pro Gewicht — warum das reicht, erklärt der Guide zu Quantisierung und GGUF.

2022 — Licht rein, Antwort raus. Ein Chip der University of Pennsylvania klassifizierte Bilder direkt aus dem Licht, das auf sein Pixelfeld fiel, in unter 570 Pikosekunden; die lineare Rechnung lief optisch, die Aktivierung optoelektronischDemonstriert. Die Aufgabe war bescheiden — zwei bzw. vier Klassen handgeschriebener Buchstaben —, aber die Idee ist wichtig: Wenn die Daten ohnehin als Licht ankommen, entfällt die teure Umwandlung am Eingang.

2024 — Nichtlinearität auf demselben Chip. Ein integrierter Chip rechnete ein Netz mit sechs Neuronen und drei Schichten samt Aktivierungsfunktionen optisch, mit 410 Pikosekunden Latenz, und wurde direkt auf dem Chip trainiert: 92,5 Prozent bei einer Vokal-Aufgabe mit sechs KlassenDemonstriert, vergleichbar mit einem digitalen Rechner.

2025 — echte Modelle. Ein photonischer Prozessor führte ResNet, BERT und einen Atari-Agenten aus Reinforcement Learning mit nahezu elektronischer Genauigkeit ausDemonstriert. Das ist ein echter Sprung gegenüber Vokal-Datensätzen. Einordnen muss man: Die Autoren arbeiten bei Lightmatter, das den Chip entwickelt; das Paper ist begutachtet, aber kein unabhängiger Vergleich. Und die Autoren schreiben selbst, dass bis dahin kein photonischer Chip die für praktische KI nötige Präzision erreicht hatte.

Die vier Schwachstellen #

1. Die Schnittstelle frisst den Vorteil #

Die Gewichte eines Modells liegen in elektronischem Speicher, das Ergebnis wird elektronisch weiterverarbeitet. Dazwischen stehen DAC (Digital-Analog-Wandler, macht aus Zahlen Spannungen für die Modulatoren) und ADC (Analog-Digital-Wandler, macht aus Photodetektor-Signalen wieder Zahlen). Diese Umwandlungen können so viel Energie kosten, dass ein optischer Prozessor insgesamt weniger effizient ist als ein rein elektronischer, und sie begrenzen das Tempo, mit dem Daten überhaupt hineinkommenTheorie. Die naheliegende Gegenstrategie: Daten, die einmal im Licht sind, möglichst oft wiederverwenden — oder Anwendungen wählen, bei denen Ein- oder Ausgang ohnehin optisch ist (Kamerabilder, Glasfasersignale).

In Vorbereitung: ADC und DAC — der Flaschenhals zwischen Licht und Elektronik.

2. Licht ist (fast) nur linear #

Ein neuronales Netz braucht zwischen den Schichten eine Nichtlinearität: eine Funktion, die kleine Werte anders behandelt als große. Ohne sie schrumpft jedes noch so tiefe Netz mathematisch auf eine einzige Matrix zusammen. Genau die Eigenschaft, die Licht zum guten Multiplizierer macht — Wellen überlagern sich brav linear —, macht Nichtlinearität schwierig. Fehlende skalierbare optische Nichtlinearität auf dem Chip und Verluste der Bauteile begrenzen, wie tief optische Netze werden könnenBelegt. Die meisten Demonstrationen lösen das optoelektronisch: Licht messen, elektronisch verarbeiten, neu aussenden — was wieder Wandlung kostet.

In Vorbereitung: Warum Nichtlinearität für Photonik so schwer ist.

3. Analog heißt ungenau #

Ein photonischer Rechner arbeitet analog: Das Ergebnis ist eine Helligkeit, keine exakte Zahl. Rauschen im Detektor, Temperaturdrift und Fertigungstoleranzen verschieben sie. Die Zahlen aus den Experimenten oben zeigen das Muster: 76,7 statt 91,7 Prozent beim ersten Chip, rund 5 Bit Auflösung beim Tensorkern. Für kleine Klassifikationsaufgaben reicht das, für große Modelle war es bis 2025 das Hauptproblem. Dazu kommt: Jede Stufe schwächt das Licht ab. Die Verluste im photonischen Matrixfeld wachsen mit der Matrixgröße und begrenzen, wie groß die Matrix werden kannDemonstriert.

4. Wohin mit den Gewichten? #

Ein großes Sprachmodell hat Milliarden Gewichte. Ein photonischer Chip hält zu jedem Zeitpunkt nur eine vergleichsweise kleine Matrix — im Tensorkern-Experiment von 2021 bis 9×4 Einträge, gefertigte Matrixfelder bis 32×32Demonstriert. Alles andere muss aus elektronischem Speicher nachgeladen werden — und damit steht man wieder vor dem Problem, das auch GPUs bremst: Daten bewegen kostet mehr als rechnen. Warum das so ist, erklärt der Artikel zur Memory Wall. Zusätzlich brauchen thermische Phasenschieber Dauerstrom, um ihre Einstellung zu halten: beim Chip von 2017 im Mittel rund 10 Milliwatt pro ModulatorDemonstriert. Nichtflüchtige Phasenwechselmaterialien wie beim Tensorkern von 2021 sind ein Ausweg, bringen aber eigene Genauigkeitsgrenzen mit.

Was Hersteller sagen — und wie man es liest #

Neben Forschungsgruppen arbeiten mehrere Firmen an photonischen Beschleunigern, darunter Lightmatter und Q.ANT. Ein Beispiel für typische Kommunikation:

Q.ANT gibt für seinen photonischen Prozessor als PCIe-Karte mindestens 30-mal höhere Energieeffizienz gegenüber herkömmlicher CMOS-Technik anHerstellerangabe. In derselben Mitteilung ist von Testläufen mit dem MNIST-Datensatz die Rede, also handgeschriebenen Ziffern. Wogegen genau verglichen wurde, bei welcher Aufgabe und inklusive welcher Wandlungs- und Speicherkosten, geht aus der Mitteilung nicht hervor. Das macht die Zahl nicht falsch — aber sie ist nicht nachprüfbar.

Drei Fragen helfen bei jeder solchen Angabe:

1. Gilt die Zahl für den ganzen Rechner oder nur für den optischen Kern? Ohne ADC, DAC und Speicher sieht jede Photonik gut aus.
2. Welche Aufgabe, welche Genauigkeit? MNIST ist ein Einstiegsdatensatz, kein Sprachmodell.
3. Wer hat gemessen? Firmeneigene Benchmarks und begutachtete Paper von Firmenangehörigen sind wertvoll, ersetzen aber keinen unabhängigen Vergleich.

Reality Check (Stand: September 2026) #

Am realistischsten erscheinen Nischen, in denen die Daten ohnehin als Licht vorliegen oder extrem niedrige Latenz zählt — nicht der Ersatz der GPU im RechenzentrumEvidenz: Theorie. Ob photonische Chips im großen Maßstab effizienter werden als Elektronik, entscheidet sich an der Schnittstelle, nicht am Prinzip. Das Prinzip funktioniert.

Was heißt das fürs eigene Homelab? #

Ehrlich: noch nichts. Es gibt keinen photonischen Beschleuniger, den man sinnvoll in einen Homeserver stecken und mit Ollama oder llama.cpp nutzen könnte, und keine Software, die das ohne Spezialwissen erlaubt. Für lokale KI bleibt die GPU mit möglichst viel Speicher die richtige Wahl — wie viel davon ein Modell braucht, rechnet der Local-AI-Rechner aus.

Mitnehmen kann man trotzdem etwas: Photonik kämpft mit demselben Gegner wie die Grafikkarte im Homelab — Daten bewegen ist teurer als rechnen. Wer versteht, warum ein 4-Bit-Modell schneller antwortet als ein 16-Bit-Modell, versteht auch, warum photonische Rechner an ihrer Schnittstelle und ihrer Präzision gemessen werden müssen. Und wer über Rechnen nachdenkt, das nicht digital und getaktet ist, findet im LAB ein Experiment zum Selbstnachbauen: Reservoir Computing gegen ein klassisch trainiertes Netz — digital simuliert, aber mit derselben Grundfrage, wie viel man einem physikalischen System an Rechenarbeit überlassen kann.