KIP-Veröffentlichungen

Die rasanten Fortschritte in der künstlichen Intelligenz (KI) und im maschinellen Lernen haben zu einem exponentiellen Anstieg der Anforderungen an die Datenverarbeitung geführt [1]. Optisches Computing, das die Parallelität und Geschwindigkeit des Lichts nutzt, hat sich als vielversprechende Alternative zu traditionellen elektronischen Systemen für die Datenverarbeitung etabliert. Optische Elemente wie photonische Matrizen ermöglichen Multiply-Accumulate-(MAC)-Operationen, die Grundlage von Berechnungen in Convolutional Neural Networks (CNNs), einschließlich Faltungen und Matrizenmultiplikationen, mit beispiellosen Geschwindigkeiten von bis zu 1012 Operationen pro Sekunde [2]. Im Gegensatz zu herkömmlichen Von-Neumann-Architekturen, bei denen Datenübertragungsengpässe die Verarbeitungsgeschwindigkeit begrenzen, führen photonische Prozessoren diese Operationen parallel aus und bieten dadurch erhebliche Leistungs- und Effizienzvorteile. Dieser Wandel wird zunehmend kritisch, da das physikalische Limit von Moore’s Law näher rückt und die Transistordichte voraussichtlich bis 2036 stagniert [3]. Gleichzeitig werden die Energieanforderungen der KI untragbar; so erfordert beispielsweise die Simulation des menschlichen Gehirns für 500 Sekunden mit modernen Supercomputern 1,4 MW, verglichen mit nur 10 W, die das menschliche Gehirn benötigt [4]. Diese Herausforderungen verdeutlichen die Notwendigkeit innovativer Hardwarelösungen wie optisches Computing, um schnellere und energieeffizientere Prozesse für KIAnwendungen zu ermöglichen. Obwohl photonische Tensor-Kerne einen vielversprechenden Ansatz darstellen, gibt es noch Herausforderungen bei deren Umsetzung. Ein zentrales Problem bei In-Plane-Architekturen ist die Schwierigkeit, das Schalten einzelner Phasenwechselmaterialien (PCMs) präzise zu kontrollieren, da geteilte Wellenleiter-Systeme unbeabsichtigt nicht gewünschte PCMs aktivieren können. Um dies zu lösen, wurde eine Out-of-Plane-Switching-Architektur unter Verwendung von Vertikalresonator- Oberflächenemissionslasern (VCSELs) vorgeschlagen.´ Das Hauptziel dieser Arbeit ist es, einen spezifischen VCSEL-Chip zu testen und zu bewerten, ob er die Anforderungen für den Einsatz in einem photonischen Tensor-Kern erfüllt. Dazu gehört die Prüfung, ob die VCSELs ausreichend optische Leistung liefern, um Phasenänderungen in Ge2Sb2Te5 (GST), einem häufig verwendeten Phasenwechselmaterial, zu induzieren. Darüber hinaus wird untersucht, welche Rolle Polymer-Mikrolinsen bei der Verbesserung der Laserstrahlgröße und der Reduzierung des Leistungsbedarfs für das Schalten von GST spielen. Diese Komponenten sind entscheidend, um eine präzise Steuerung und effiziente Leistungsübertragung in photonischen Systemen zu ermöglichen. Obwohl diese Arbeit nicht die direkte Untersuchung eines vollständigen photonischen Tensor-Kerns umfasst, liefert sie wesentliche Einblicke in die Schlüsselkomponenten, die die Grundlage für diesen innovativen Ansatz des optischen Computings bilden. Durch die Auseinandersetzung mit den Herausforderungen der optischen Leistungsübertragung und -steuerung trägt diese Forschung zur Entwicklung skalierbarer, energieeffizienter Hardware für KI- und maschinelles Lernen-Anwendungen bei.

The rapid advancements in artificial intelligence (AI) and machine learning have led to an exponential growth in data processing demands [1]. Optical computing, using the parallelism and speed of light, has emerged as a promising alternative to traditional electronic systems for data processing. Optical elements, such as photonic matrices, enable multiply accumulation (MAC) operations, the cornerstone of convolutional neural network computations, including convolutions and matrix multiplications at unprecedented speeds of up to 1012operations per second [2]. Unlike conventional von Neumann architectures, where data transfer bottlenecks limit processing speed, photonic processors execute these operations in parallel, offering significant performance and efficiency gains. This shift is increasingly critical as Moore’s law approaches its physical limits, with the transistor density projected to plateau by 2036 [3]. Simultaneously, the energy demands of AI are becoming unsustainable; for instance, simulating the human brain for 500 seconds with modern supercomputers requires 1.4 MW, compared to the mere 10 W of the brain [4]. These challenges highlight the need for innovative hardware solutions, such as optical computing, to achieve faster and energy-efficient processing for AI applications. Although photonic tensor cores offer a promising approach, challenges remain in their implementation. One key issue with in-plane architectures is the difficulty in controlling the switching of individual phase-change materials (PCMs), as shared waveguide systems can inadvertently activate unintended PCMs. To address this, an out-of-plane switching architecture using vertical-cavity surface-emitting lasers (VCSELs) has been proposed. The main aim of this thesis is to test one specific VCSEL chip and evaluate whether it meets the requirements for application in a photonic tensor core. This includes determining whether the VCSELs deliver sufficient optical power to induce phase changes in Ge2Sb2Te5(GST), a commonly used phase change material. In addition, the role of polymer microlenses in improving the laser spot size and reducing the power requirements for GST switching is investigated. These components are critical for enabling precise control and efficient power delivery in photonic systems. Although this work does not involve the direct testing of a complete photonic tensor core, it provides essential insights into the key components that form the foundation of this innovative optical computing approach. By addressing the challenges of optical power delivery and control, this research contributes to the development of scalable, energy-efficient hardware for AI and machine learning applications.