Warum simulieren wir photonische Computer nicht einfach digital? Rechnung gegen Physik

Kurz gesagt: Das tun wir — nur meint „simulieren“ zwei sehr verschiedene Dinge. Die Rechnung, die ein optischer Chip ausführt, ist eine Matrix-Vektor-Multiplikation und digital in einer Zeile erledigt; dafür braucht niemand Licht, außer es spart Energie oder Zeit. Das Bauteil dagegen — Licht, das sich durch Wellenleiter ausbreitet, mit Rauschen und Fertigungsfehlern — ist teuer zu simulieren und weicht trotzdem von der Realität ab. Genau deshalb holen Forscher die echte Hardware ins Training.

Die Frage taucht in fast jeder Diskussion über optische Rechner auf: „Wenn der Chip nur Matrizen multipliziert, kann meine GPU das doch auch?“ Die Frage ist berechtigt, und die Antwort ist lehrreicher, als sie auf den ersten Blick wirkt. Wie Licht überhaupt rechnet, erklärt Kann Licht wirklich rechnen? — hier geht es um den Schritt davor und danach: Was lässt sich am Computer nachbauen, was nicht, und was folgt daraus?

Zwei Fragen, die gleich klingen #

Wer „Warum nicht einfach simulieren?“ fragt, meint meistens eine von zwei Sachen:

1. Kann ich das Ergebnis digital ausrechnen? Also: Liefert mein Computer dieselbe Zahl, die der optische Chip ausgeben soll?
2. Kann ich den Chip digital nachbilden? Also: Weiß ich vorher, welche Zahl dieser eine, reale Chip tatsächlich ausgeben wird — mit allen Macken?

Frage 1 ist fast immer mit Ja zu beantworten. Frage 2 ist schwierig. Die meisten Missverständnisse entstehen, weil beide Fragen in einen Topf geworfen werden.

Ebene 1: Die Rechnung ist trivial #

Ein idealer photonischer Matrixprozessor setzt eine Matrix um und schickt einen Vektor hindurch. Genau das kann jeder Rechner. In Python sieht der „ideale Chip“ so aus:

import numpy as np
 
rng = np.random.default_rng(0)
N = 64
 
# Eine zufällige unitäre Matrix: das, was ein verlustfreies Netz aus
# Interferometern im Idealfall umsetzt
A = rng.normal(size=(N, N)) + 1j * rng.normal(size=(N, N))
U, _ = np.linalg.qr(A)
 
x = rng.normal(size=N)        # Eingangssignale (Lichtamplituden)
y = U @ x                     # die eigentliche "optische" Rechnung
helligkeit = np.abs(y) ** 2   # was Photodetektoren messen würden

Das ist keine Physiksimulation, sondern die Mathematik, die der Chip verkörpern soll. Eine 64×64-Matrix mal Vektor sind 4.096 Multiplikationen mit anschließender Addition (eigene Rechnung: 64 · 64). Das ist für heutige Prozessoren eine Kleinigkeit, und Grafikkarten sind genau für solche Rechnungen in riesiger Stückzahl gebaut.

Daraus folgt eine nüchterne Konsequenz: Ein photonischer Chip kann auf dieser Ebene nichts ausrechnen, was ein Digitalrechner nicht auch ausrechnen kann. Er ist kein neues Rechenmodell, sondern ein anderes Werkzeug für eine bekannte Operation. Seine Existenzberechtigung hängt allein daran, ob er dieselbe Rechnung mit weniger Energie, geringerer Latenz oder höherem Durchsatz erledigt — und ob dieser Vorteil die Kosten für das Umwandeln zwischen Elektronik und Licht übersteht. Diese Schnittstellen-Frage behandelt der Photonik-Artikel ausführlich; wie sich Photonik neben den anderen Ansätzen einordnet, zeigt die Landkarte Was kommt nach CPU und GPU?.

Wichtig: Digital rechnet man dabei genauer als der Chip. Die Zahlendarstellung einer GPU ist exakt definiert; ein analoger optischer Chip liefert Helligkeiten mit Rauschen. Wer ein Netz digital rechnet, bekommt also nicht nur dasselbe Ergebnis, sondern ein saubereres.

Ebene 2: Das Bauteil ist teuer #

Anders sieht es aus, wenn man wissen will, was ein konkreter Chip tut. Dafür muss man die Ausbreitung von Licht selbst berechnen: wie sich die Welle in einem Wellenleiter verhält, wie viel Licht an einer Kante streut, wie ein Heizelement die Phase verschiebt.

Das Standardwerkzeug dafür sind Löser für die Maxwell-Gleichungen — die Grundgleichungen elektromagnetischer Felder. Ein verbreitetes Verfahren heißt FDTD (Finite-Difference Time-Domain). FDTD teilt Raum und Zeit in ein endliches rechteckiges Gitter und rechnet die Felder Zeitschritt für Zeitschritt weiterBelegt. Ein bekanntes freies Programm dafür ist Meep, entwickelt am MIT.

Der Haken steckt in der Auflösung. Laut Meep-Dokumentation hängt der Zeitschritt an der Gitterweite: Wer das Gitter doppelt so fein macht, braucht doppelt so viele Zeitschritte; in drei Dimensionen steigt der Speicherbedarf dabei auf das AchtfacheBelegt. Achtmal so viele Gitterpunkte, jeder doppelt so oft aktualisiert — das ergibt mindestens das Sechzehnfache an Rechenarbeit (eigene Rechnung: 8 · 2).

Wie schnell das wächst, zeigt eine grobe Überschlagsrechnung. Die Annahmen sind frei gewählt und keine Empfehlung für echte Simulationen: ein Chipausschnitt von 20 × 20 × 2 Mikrometern, Gitterweite 20 Nanometer. Das sind 1.000 × 1.000 × 100 = 100 Millionen Gitterzellen. Die Meep-Autoren geben den Speicherbedarf grob mit etwa 100 Byte pro Gitterzelle anBelegt. Das ergibt rund 10 Gigabyte für einen winzigen Ausschnitt (eigene Rechnung: 10⁸ · 100 Byte). Mit 10 statt 20 Nanometern wären es rund 80 Gigabyte — und doppelt so viele Zeitschritte. Ein ganzer Chip mit Hunderten Bauteilen liegt weit jenseits davon.

Deshalb rechnet in der Praxis niemand einen kompletten photonischen Chip Welle für Welle durch. Die Entwickler des Schaltungssimulators Simphony beschreiben, dass FDTD und ähnliche Verfahren zwar genau sind, bei großen Schaltungen aber rechnerisch nicht mehr handhabbar werden; viele Entwickler simulieren deshalb nur einzelne Grundbausteine genau und setzen die Schaltung aus deren vereinfachten Modellen zusammenBelegt. Solche Kompaktmodelle beschreiben jedes Bauteil nur noch durch eine kleine Tabelle: Wie viel Licht kommt an welchem Ausgang an, mit welcher Phase? Das ist schnell — aber es ist eben ein Modell des Bauteils, nicht das Bauteil.

Die Lücke zwischen Modell und Chip #

Jedes vereinfachte Modell lässt etwas weg: ein Heizelement, das den Nachbarn mit aufwärmt, eine Kante, die ein paar Nanometer anders geätzt wurde als geplant, Rauschen im Detektor. Einzeln sind das Kleinigkeiten. In einem Netz aus vielen Schichten summieren sie sich.

Ein bekanntes frühes Beispiel ist der photonische Chip des MIT von 2017. Das Netz erkannte auf dem Chip 76,7 Prozent der Vokale richtig, in der Simulation desselben Netzes 91,7 ProzentDemonstriert — die Fehlerquellen, die die Autoren nennen, stehen im oben verlinkten Photonik-Artikel.

Wie grundsätzlich das Problem ist, zeigt die Arbeit von Wright und Kollegen zum Physics-aware Training, die Wenn die Physik die Rechnung ist vorstellt: Die echte Hardware rechnet vorwärts, ein digitales Modell liefert nur die Richtung für die Korrekturen. Für unsere Frage sind drei Details dieser Arbeit wichtiger als das Verfahren selbst.

Erstens: Auch ein sehr gutes Modell reicht nicht. Das digitale Modell des optischen Systems (ein Kristall, der Laserlicht in Licht doppelter Frequenz umwandelt) war nach Angaben der Autoren sehr genau und enthielt sogar ein Rauschmodell. Trotzdem erreichte das rein darin trainierte Netz auf der echten Hardware bei einer Vokal-Aufgabe höchstens etwa 40 Prozent; mit der Hardware im Trainingskreislauf kam dasselbe System auf 93 ProzentDemonstriert. Ein Modell kann also Einzelmessungen gut treffen und trotzdem als Trainingsgrundlage versagen.

Zweitens: Die Fehler wachsen mit der Tiefe. Bei jedem Training nur im Modell bauen sich Fehler aus der unvollkommenen Simulation jeder einzelnen physikalischen Schicht auf, sodass Simulation und Realität im Lauf des Trainings immer schneller auseinanderlaufenBelegt. Die Autoren nennen das „simulation–reality gap“. Das ist der Kern der Antwort auf die Ausgangsfrage: Ein Modell, das pro Bauteil nur ein wenig danebenliegt, liegt bei vielen Bauteilen hintereinander deutlich daneben.

Drittens: Es kommt auf die Plattform an. Genaues Training allein in der Simulation ist laut den Autoren bisher nur mit analoger Elektronik gelungen, weil es dort genaue Simulationen und kontrollierte Fertigungsprozesse gibtBelegt. Für Hardware am Rand der Fertigungstoleranzen oder auf neuen Plattformen wie der Photonik gilt das nicht automatisch.

Surrogate-Modelle: das Verhalten lernen statt die Physik rechnen #

Ein Detail passt genau zur Ausgangsfrage. Das digitale Modell war in dieser Arbeit keine Physiksimulation, sondern ein neuronales Netz, trainiert auf gemessenen Ein- und Ausgabepaaren der jeweiligen HardwareBelegt. Die Autoren haben also gar nicht versucht, die Physik von Grund auf nachzurechnen, sondern dem Computer beigebracht, das Verhalten des Geräts nachzuahmen. Solche gelernten Ersatzmodelle heißen Surrogate-Modelle.

Damit gibt es drei Arten, einen photonischen Chip im Rechner abzubilden:

In Vorbereitung: Surrogate-Modelle — wenn ein neuronales Netz die Physik ersetzt.

Gedankenexperiment: die perfekte Simulation #

Spielen wir die Frage zu Ende. Angenommen, jemand hätte ein Surrogate-Modell, das einen bestimmten optischen Chip perfekt nachbildet — jede Ungenauigkeit, jedes Rauschen.

Dann hätte der Chip rechnerisch nichts mehr zu bieten, was die Simulation nicht auch liefert. Übrig bliebe allein die Frage, wer dieselbe Arbeit billiger erledigt: das Bauteil, das die Rechnung durch seine bloße Physik ausführt, oder der Digitalrechner, der dieses Bauteil nachahmtEvidenz: Spekulation. Das perfekte Modell würde die Hardware also nicht überflüssig machen, sondern ihre Existenzfrage auf Energie, Latenz und Durchsatz reduzieren.

Hier dreht sich das Argument um. Wright et al. schreiben, dass physikalische Vorgänge oft schneller ablaufen und weniger Energie verbrauchen als ihre digitale NachbildungTheorie. Die Überschlagsrechnung zu FDTD oben zeigt, warum das plausibel ist: Eine genaue Simulation des Bauteils kann also teurer sein als das Bauteil selbst. Das spricht nicht gegen die Hardware, sondern für sie: Wenn das System schwer zu simulieren ist, kann es genau deshalb nützlich sein.

Umgekehrt gilt: Nutzt ein Chip nur eine Rechnung, die sich digital billig ausführen lässt — eine saubere Matrixmultiplikation —, dann muss er gegen jahrzehntelang optimierte Digitaltechnik antreten, ohne einen Rechenvorteil in der Hinterhand zu habenEvidenz: Spekulation. Genau daran müssen sich photonische Matrix-Beschleuniger messen lassen. Beim Reservoir Computing ist die Logik eine andere: Dort nutzt man die unordentliche, schwer vorhersagbare Dynamik eines Systems bewusst als Rechenressource und trainiert nur den Ausgang — Was ist Reservoir Computing? erklärt, wie das funktioniert.

Reality Check (Stand: September 2026) #

Gezeigt ist vor allem das Problem: Modell und Bauteil laufen auseinander, und kleine Abweichungen wachsen über die Schichten. Die Demonstrationen sind klein — Vokale, handgeschriebene Ziffern. Ob Physics-aware Training auf große Netze skaliert, ist offen.

Was heißt das fürs eigene Homelab? #

Einen photonischen Chip wird hier niemand trainieren. Aber zwei Dinge lassen sich mitnehmen.

Erstens: Die Unterscheidung zwischen Rechnung und Bauteil hilft, jede neue Hardware-Ankündigung einzuordnen. Wenn ein Chip „nur“ eine bekannte Rechnung beschleunigt, zählt am Ende der Energie- und Tempovergleich mit einer normalen Grafikkarte im selben Einsatz — nichts anderes.

Zweitens: Die zweite Ebene lässt sich zu Hause anfassen. Meep ist freie Software; wer einen Homeserver mit viel RAM hat, kann kleine zweidimensionale Wellenleiter-Simulationen selbst rechnen und erleben, wie schnell Speicher und Rechenzeit mit der Auflösung wachsen. Eigene Messungen dazu gibt es bei LabKompass noch nicht. Wer lieber mit der Rechnerseite spielt: Das LAB Reservoir Computing gegen ein klassisch trainiertes Netz zeigt an einem digital simulierten Reservoir, wie sich ein System nutzen lässt, dessen Innenleben man gar nicht trainiert.