Computer rechnen heute fast überall mit Elektronen. Transistoren schalten, Speicherzellen halten Ladungen fest, Leiterbahnen transportieren Signale. Dieses Prinzip hat über Jahrzehnte eine enorme Steigerung der Rechenleistung ermöglicht. Doch mit immer größeren KI-Modellen, datenintensiven Simulationen und vernetzten Rechenzentren tritt eine Grenze stärker hervor: Nicht nur das eigentliche Rechnen kostet Energie, sondern vor allem das Bewegen von Daten zwischen Speicher, Prozessoren und einzelnen Chips.
Photonic Computing setzt genau dort an. Statt Informationen ausschließlich als elektrische Zustände zu verarbeiten, nutzt es Eigenschaften von Licht: Intensität, Phase, Wellenlänge und Polarisation. Lichtwellen können sich überlagern, aufteilen und gleichzeitig durch verschiedene Kanäle laufen. Bestimmte mathematische Operationen entstehen dadurch unmittelbar aus der Physik eines optischen Systems. Das klingt nach einem grundlegend neuen Computer – in der Praxis entsteht jedoch zunächst etwas Nüchterneres und möglicherweise Nützlicheres: ein spezialisierter photonischer Beschleuniger, der mit klassischer Elektronik zusammenarbeitet.
Der Forschungsstand im September 2026 zeigt, dass diese Idee die Phase einfacher Laborexperimente verlassen hat. Große integrierte Demonstratoren enthalten inzwischen viele Tausend optische Komponenten, bearbeiten realistische KI-Modelle und lösen Optimierungsaufgaben mit sehr geringer Latenz. Gleichzeitig bleiben zentrale Hürden bestehen: analoges Rauschen, begrenzte Rechengenauigkeit, die Umwandlung zwischen elektrischen und optischen Signalen, fehlender photonischer Speicher sowie die aufwendige Fertigung und Kalibrierung.
Dieser Deep Dive erklärt, wie Rechnen mit Licht technisch funktioniert, welche Ergebnisse tatsächlich erreicht wurden, wo Energie eingespart werden kann – und warum Deutschland und Europa bei dieser Entwicklung eine realistische Chance haben, wenn Forschung, Chipfertigung, Packaging und Software zusammengedacht werden.
Was Photonic Computing ist – und was nicht
Der Begriff Photonic Computing umfasst verschiedene Architekturen, in denen Licht eine aktive Rolle beim Rechnen oder beim Transport von Rechendaten übernimmt. Das Spektrum reicht von optischen Verbindungen zwischen elektronischen Chips bis zu Prozessoren, in denen Interferenzmuster tatsächlich eine mathematische Operation ausführen. Dazwischen liegen hybride Systeme mit photonischen Rechenkernen, elektronischem Speicher und digitaler Steuerlogik.
Wichtig ist die Abgrenzung zum Quantencomputing. Ein photonischer Quantencomputer kann einzelne Photonen und quantenmechanische Zustände als Qubits verwenden. Photonic Computing im hier beschriebenen Sinn arbeitet dagegen überwiegend klassisch: Ein Lichtsignal repräsentiert eine Zahl, und optische Bauelemente verändern dieses Signal kontrolliert. Dass in beiden Feldern Licht vorkommt, macht die Technologien nicht identisch.
Auch ein Glasfaserkabel ist noch kein optischer Rechner. Es überträgt Daten als Licht, führt aber normalerweise keine komplexe mathematische Verarbeitung dieser Daten aus. Erst wenn Modulatoren, Wellenleiter, Koppler, Phasenschieber, Resonatoren und Detektoren so verschaltet werden, dass eine gewünschte Rechenoperation entsteht, sprechen wir von photonischem Rechnen. In modernen Rechenzentren wachsen Kommunikation und Berechnung allerdings zusammen: Je näher optische Verbindungen an Prozessor und Speicher rücken, desto fließender wird die Grenze.
| Technologie | Was Licht übernimmt | Typisches Ziel |
|---|---|---|
| Optische Datenübertragung | Transport codierter Informationen | Hohe Bandbreite zwischen Systemen |
| Photonischer Beschleuniger | Ausgewählte Rechenoperationen | Matrixrechnung, Filterung, Optimierung |
| Optisches neuronales Netz | Lineare Schichten, teilweise Aktivierung | Schnelle Inferenz und Mustererkennung |
| Photonisches Quantencomputing | Manipulation quantischer Lichtzustände | Quantenalgorithmen |
Warum Licht überhaupt rechnen kann
Ein elektronischer Digitalrechner stellt Zahlen als Folgen von Nullen und Einsen dar. Eine optische Recheneinheit kann Zahlen dagegen als messbare Eigenschaften einer Lichtwelle codieren. Eine hohe Intensität kann beispielsweise für einen größeren Zahlenwert stehen, eine bestimmte Phase für ein Vorzeichen oder einen Winkel. Mehrere Wellenlängen lassen sich als getrennte Datenkanäle gleichzeitig durch denselben Wellenleiter führen.
Die entscheidende Eigenschaft ist die Überlagerung. Treffen kohärente Lichtwellen zusammen, verstärken oder schwächen sie sich abhängig von ihrer Phase. Ein sorgfältig gebautes Netzwerk aus optischen Pfaden kann diese Interferenz so steuern, dass die Ausgangsintensitäten dem Ergebnis einer Matrix-Vektor-Multiplikation entsprechen. Diese Operation ist ein Kernbaustein vieler neuronaler Netze, wissenschaftlicher Simulationen, Signalverarbeitung und Optimierungsverfahren.
Ein vereinfachtes Beispiel
Angenommen, ein System erhält zwei Eingangswerte: die Helligkeit eines Bildpunktes und den Wert eines benachbarten Bildpunktes. Beide Werte werden auf zwei Lichtsignale moduliert. Ein optisches Netzwerk teilt die Signale auf, verschiebt ihre Phasen und führt sie wieder zusammen. An zwei Ausgängen entstehen Intensitäten, die gewichteten Summen der Eingänge entsprechen. Ein Detektor wandelt sie zurück in elektrische Werte. Werden viele solcher Pfade parallel angeordnet, verarbeitet das System eine ganze Matrix in einem Durchlauf.
Das Licht „versteht“ die Matrix nicht. Die Geometrie und Einstellung des Schaltkreises verkörpern die Rechenvorschrift. Genau darin liegt die Stärke physikalischer Beschleuniger: Eine mathematische Transformation muss nicht in Millionen einzelner digitaler Befehle zerlegt werden. Sie findet während der Ausbreitung des Signals statt.
Die Bauteile eines photonischen Rechners
Ein photonischer Chip sieht von außen häufig wie ein elektronischer Chip aus. Im Inneren enthält er jedoch optische Strukturen, deren Abmessungen zur verwendeten Wellenlänge passen. Für Telekommunikations- und Rechenanwendungen wird oft Licht im nahen Infrarot genutzt. Es ist für das menschliche Auge unsichtbar und lässt sich gut durch etablierte Materialplattformen führen.
Laser und Lichtquellen
Die Lichtquelle liefert die Trägerwelle. Manche Materialsysteme, insbesondere Indiumphosphid, können Laser direkt integrieren. Silizium selbst emittiert Licht nur schlecht, weshalb Siliziumphotonik häufig eine externe oder separat integrierte Laserquelle verwendet. Der Laser gehört zur Energiebilanz des Gesamtsystems. Wer nur den passiven Rechenkern betrachtet und die Lichtquelle ausklammert, erhält ein zu optimistisches Bild.
Modulatoren
Modulatoren schreiben elektrische Eingangsdaten auf das Licht. Sie verändern je nach Steuersignal dessen Intensität oder Phase. Ihre Geschwindigkeit, Betriebsspannung und Linearität bestimmen mit, wie viele Daten in den photonischen Kern gelangen und wie viel Energie die Umwandlung kostet. Plattformen wie Silizium, Siliziumnitrid oder Dünnschicht-Lithiumniobat bieten unterschiedliche Kompromisse zwischen Geschwindigkeit, Verlusten, Bauteilgröße und Herstellbarkeit.
Wellenleiter, Koppler und Phasenschieber
Wellenleiter sind die Leiterbahnen des Lichts. Koppler teilen Signale oder führen sie zusammen. Phasenschieber verändern den Weg einer Welle geringfügig und damit den Zeitpunkt, an dem ihre Schwingung auf eine andere Welle trifft. Eine verbreitete Einheit ist das Mach-Zehnder-Interferometer: Ein Signal wird auf zwei Pfade verteilt, auf mindestens einem Pfad in der Phase verändert und anschließend wieder kombiniert. Je nach Phasendifferenz erscheint am Ausgang mehr oder weniger Licht.
Viele Mach-Zehnder-Interferometer lassen sich als programmierbares Netz verschalten. Die einzelnen Einstellungen entsprechen dann den Gewichten einer Matrix. Alternativ nutzen Architekturen Mikroringresonatoren. Diese winzigen ringförmigen Wellenleiter reagieren besonders auf bestimmte Wellenlängen und eignen sich deshalb zum Filtern, Gewichten und Multiplexen von Kanälen.
Fotodetektoren und elektronische Steuerung
Am Ausgang wandeln Fotodetektoren das optische Ergebnis in elektrischen Strom um. Danach folgen meist Verstärker, Analog-Digital-Wandler und elektronische Logik. Speicherzugriffe, Fehlerkorrektur, Ablaufsteuerung und nichtlineare Funktionen verbleiben häufig in der Elektronik. Der heute realistische photonische Computer ist deshalb ein Co-Design aus Optik, Elektronik, Packaging und Software.
Vier Arten der Parallelität
Licht ist nicht automatisch schneller, nur weil es sich sehr schnell ausbreitet. Elektrische Signale bewegen sich in Leitungen ebenfalls mit einem erheblichen Bruchteil der Lichtgeschwindigkeit. Der praktische Vorteil entsteht vor allem durch Parallelität und durch die direkte physikalische Ausführung bestimmter Operationen.
Räumliche Parallelität: Viele optische Pfade können nebeneinander dieselbe Art von Operation ausführen. Ein freioptisches System kann sogar ganze zweidimensionale Lichtfelder gleichzeitig transformieren.
Wellenlängenmultiplexing: Unterschiedliche „Farben“ des unsichtbaren Infrarotlichts tragen getrennte Datenströme durch denselben Wellenleiter. Resonatoren und Filter adressieren die Kanäle gezielt. Dadurch wächst die nutzbare Bandbreite, ohne für jeden Kanal eine eigene Leitung anzulegen.
Zeitmultiplexing: Schnell aufeinanderfolgende Lichtpulse repräsentieren verschiedene Werte. Derselbe physische Kern wird wiederholt genutzt, während ein elektronischer Takt oder eine optische Verzögerung die Sequenz organisiert.
Interferenz als Operation: Ein Netzwerk verarbeitet mehrere Eingänge gemeinsam, weil sich die Wellen im Bauteil überlagern. Der Aufwand wächst daher nicht immer so wie bei einer Folge einzeln ausgeführter digitaler Multiplikationen.
Photonic Computing im Vergleich zu CPU, GPU und TPU
| Kriterium | Elektronische Digitalprozessoren | Photonische Beschleuniger |
|---|---|---|
| Rechenmodell | Digitale Logik mit hoher numerischer Genauigkeit | Meist analoge optische Transformation plus Elektronik |
| Stärke | Flexible Programme, Verzweigungen, Speicherzugriffe | Parallele lineare Algebra, Filterung, Signalverarbeitung |
| Präzision | Stabil und klar definiert | Durch Rauschen, Drift und Detektion begrenzt |
| Datenbewegung | Elektrische Leitungen, begrenzte Bandbreite pro Verbindung | Hohe optische Bandbreite, mehrere Wellenlängen pro Pfad |
| Speicher | Reife Hierarchie aus Cache, DRAM und Massenspeicher | Meist elektronisch; photonischer Speicher ist eine offene Baustelle |
| Programmierbarkeit | Sehr hoch | Auf bestimmte Operationen und Größen zugeschnitten |
| Reifegrad | Massenproduktion und großes Software-Ökosystem | Demonstratoren, erste Spezialprodukte und frühe Integration |
Eine CPU ist gut darin, komplexe Programme mit vielen Bedingungen und unterschiedlichen Datentypen auszuführen. Eine GPU besteht aus sehr vielen Recheneinheiten und beschleunigt parallele numerische Aufgaben. TPUs und andere KI-Chips spezialisieren sich noch stärker auf Tensor- und Matrixoperationen. Photonik tritt nicht gegen „den Computer“ als Ganzes an, sondern gegen ausgewählte Teile dieser Beschleuniger.
Der aussichtsreichste Einsatz ist dort, wo dieselbe lineare Operation sehr oft auf große Datenblöcke angewendet wird und eine moderate numerische Genauigkeit genügt. Genau deshalb konzentriert sich ein großer Teil der Entwicklung auf KI-Inferenz. Bei der Ausführung eines trainierten Modells sind die Gewichte bekannt, und zahlreiche Schichten bestehen hauptsächlich aus Matrixmultiplikationen. Training ist anspruchsvoller: Gewichte ändern sich laufend, Gradienten müssen berechnet, gespeichert und mit hoher Stabilität verarbeitet werden.
Diese Spezialisierung ähnelt der Entwicklung anderer Beschleuniger. Auch eine GPU ersetzt keine CPU, sondern ergänzt sie. Ein künftiger Server könnte elektronische General-Purpose-Kerne, digitalen KI-Speicher, photonische Matrixeinheiten und optische Chip-zu-Chip-Verbindungen in einem System kombinieren.
Der Forschungsstand 2026
Frühe optische Rechner litten oft darunter, dass sie zwar einen eleganten physikalischen Effekt zeigten, aber nur kleine Aufgaben beherrschten. Ein Laboraufbau mit Linsen und Spiegeln kann extrem schnell sein und trotzdem zu empfindlich, zu groß oder zu speziell für ein Produkt. Der entscheidende Fortschritt der vergangenen Jahre liegt daher weniger in einem einzelnen Rekord als in der Systemintegration.
Große integrierte Beschleuniger
Eine 2025 veröffentlichte Arbeit beschrieb einen integrierten photonischen Beschleuniger mit mehr als 16.000 optischen Komponenten. Sein photonischer Kern führte standardisierte Multiply-Accumulate-Operationen aus, während Logik, Speicher und Kontrolle auf einem gemeinsam integrierten Elektronikchip lagen. Das System arbeitete mit bis zu einem Gigahertz und erreichte in der beschriebenen Architektur Zykluslatenzen bis in den Bereich weniger Nanosekunden. Entscheidend war ein 2,5D-Packaging, das Photonik und Elektronik eng miteinander verband.
Ein zweiter großer Demonstrator zeigte im selben Jahr, dass photonische Tensor-Kerne nicht nur ein eigens angepasstes kleines Modell ausführen können. Das System bearbeitete bekannte Architekturen aus Bildklassifikation, Sprachverarbeitung und bestärkendem Lernen. Um die begrenzte analoge Präzision zu beherrschen, kombinierten die Forschenden aktive Kalibrierung mit einem Zahlenformat, bei dem Gruppen von Werten einen gemeinsamen Exponenten verwenden. Das ist ein gutes Beispiel für Hardware-Software-Co-Design: Die Physik allein löst das Problem nicht; Datenformat und Steuerung machen sie praktisch nutzbar.
Nichtlinearität bleibt der schwierige Teil
Lineare Transformationen passen hervorragend zur Optik. Ein tiefes neuronales Netz benötigt jedoch zwischen seinen linearen Schichten nichtlineare Aktivierungsfunktionen. Ohne Nichtlinearität würden viele Schichten mathematisch zu einer einzigen linearen Operation zusammenfallen. Deshalb wandeln zahlreiche Systeme das Ergebnis zwischen den Schichten in ein elektrisches Signal um, berechnen die Aktivierung elektronisch und modulieren danach erneut Licht.
Die Forschung untersucht optische Nichtlinearitäten in Halbleitern, Resonatoren, Lasern, Fasern und quantenoptischen Systemen. Fortschritte im Jahr 2026 zeigen, dass sehr schwache Lichtsignale stärker nichtlinear verarbeitet werden können und dass Glasfasern nicht nur Kanäle, sondern dynamische Rechenmedien sein können. Für die Industrie ist aber nicht allein die Existenz eines Effekts entscheidend. Er muss reproduzierbar, energiearm, schnell, kompakt und mit Fertigungsstreuungen vereinbar sein.
Freiraumoptik, Chips und intelligente Fasern
Es gibt nicht die eine photonische Architektur. Integrierte Chips sind kompakt und lassen sich potenziell mit Halbleiterprozessen skalieren. Freiraumoptische Systeme nutzen Linsen, diffraktive Flächen oder räumliche Lichtmodulatoren und können zweidimensionale Bilder besonders parallel verarbeiten. Faserbasierte Systeme verwenden Dispersion, Frequenzmischung und andere nichtlineare Effekte entlang eines Lichtleiters. Jede Variante besitzt eigene Stärken: Chips für Integration, Freiraumoptik für massive räumliche Parallelität, Fasern für schnelle zeitliche Dynamik und direkte Verarbeitung optischer Sensordaten.
Wo die Energieeinsparung wirklich entsteht
Das häufigste Versprechen lautet: Licht rechne schneller und energieeffizienter als Elektronik. Diese Aussage kann stimmen, ist aber ohne Systemgrenze wertlos. Ein passives Interferenznetz benötigt für die eigentliche Überlagerung kaum zusätzliche Schaltenergie. Das Gesamtsystem braucht dennoch Laser, Modulatoren, Digital-Analog-Wandler, Detektoren, Verstärker, Analog-Digital-Wandler, Speicher und Steuerlogik.
Die korrekte Frage lautet daher nicht: Wie wenig Energie verbraucht eine optische Multiplikation? Sondern: Wie viel Energie benötigt eine vollständige, hinreichend genaue Aufgabe vom Laden der Daten bis zum verwendbaren Ergebnis? Ein Laborwert für den Rechenkern lässt sich nicht direkt mit der Leistungsaufnahme einer vollständigen GPU-Karte vergleichen.
Datenbewegung als Hauptproblem
In modernen KI-Systemen wartet Rechenhardware häufig auf Daten. Modellgewichte müssen aus Speicherchips geholt, Zwischenergebnisse verschoben und Informationen zwischen Beschleunigern ausgetauscht werden. Je größer ein Modell und je verteilter das System, desto stärker prägt Kommunikation den Energiebedarf. Photonik kann an zwei Stellen helfen: Sie kann ausgewählte Matrixoperationen mit hoher Parallelität ausführen und Daten mit hoher Bandbreite zwischen Chips transportieren.
Diese zweite Rolle könnte früher im großen Maßstab relevant werden als ein vollständig optischer Rechner. Co-Packaged Optics bringt optische Schnittstellen dicht an Prozessoren oder Netzwerkchips. Kürzere elektrische Wege und mehr optische Kanäle senken den Druck auf Kupferverbindungen. Damit verschmilzt die Entwicklung photonischer Kommunikation mit der Entwicklung photonischer Berechnung.
Wann ein Effizienzvorteil plausibel ist
Ein Vorteil ist besonders plausibel, wenn der photonische Kern gut ausgelastet ist, dieselben Gewichte über viele Eingaben wiederverwendet werden, die benötigte Genauigkeit zur analogen Hardware passt und Umwandlungen gebündelt werden. Weniger attraktiv ist Photonik bei kleinen, unregelmäßigen Aufgaben, häufig wechselnden Matrizen oder Workloads mit vielen Verzweigungen. Auch eine schlechte Kopplung zwischen Lichtquelle, Chip und Detektor kann den theoretischen Gewinn aufzehren.
Für eine seriöse Bewertung sollten Entwickler mindestens fünf Werte ausweisen: Energie einschließlich Laser und Wandler, Ende-zu-Ende-Latenz, reale Rechengenauigkeit, Auslastung unter typischer Last und Fertigungsausbeute. Erst diese Kombination erlaubt einen fairen Vergleich mit einer aktuellen elektronischen Alternative. Wer sich allgemein für die Energiebilanz digitaler Systeme interessiert, findet im Röschel-Beitrag über nachhaltige IT-Strategien den größeren betrieblichen Zusammenhang.
Die wichtigsten technischen Grenzen
1. Analoge Fehler und begrenzte Präzision
Digitale Bits sind gegenüber kleinen Störungen robust: Ein Spannungswert wird als Null oder Eins interpretiert. In einem analogen photonischen System trägt die genaue Lichtintensität oder Phase den Zahlenwert. Laserrauschen, Detektorrauschen, Streulicht, Verluste und Fertigungsabweichungen verändern das Ergebnis. Zudem addieren sich Fehler über große Netze und viele Schichten.
Für KI-Inferenz kann eine geringere Präzision ausreichen, weil viele Modelle ohnehin mit reduzierten Zahlenformaten arbeiten. Wissenschaftliche Simulationen, Finanzberechnungen oder kryptografische Operationen verlangen dagegen oft exakt reproduzierbare Ergebnisse. Photonik ist deshalb kein universeller Ersatz für digitale Arithmetik.
2. Temperatur, Drift und Kalibrierung
Optische Komponenten reagieren auf Temperatur. Schon kleine Änderungen des Brechungsindex verschieben Phasen und Resonanzfrequenzen. Ein Mikroring, der eine bestimmte Wellenlänge gewichten soll, kann dadurch aus seiner optimalen Einstellung driften. Thermische Phasenschieber sind gut steuerbar, benötigen aber dauerhaft Leistung und beeinflussen benachbarte Elemente.
Moderne Systeme messen Abweichungen und kalibrieren nach. Das verbessert die Zuverlässigkeit, erhöht jedoch Steuerungsaufwand und Energieverbrauch. Alternative Materialien und nichtflüchtige Einstellungen könnten den statischen Bedarf reduzieren. Gleichzeitig muss die Kalibrierung über Alterung, Lastwechsel und unterschiedliche Umgebungen stabil bleiben.
3. Speicher und Gewichtsspeicherung
Ein Computer braucht nicht nur Recheneinheiten, sondern Speicher. Photonen lassen sich hervorragend übertragen, aber nicht einfach über lange Zeit anhalten. Gewichte werden deshalb oft in elektronischen Speichern gehalten und über elektrische Steuersignale in Phasenschieber oder Modulatoren geschrieben. Das kann Datenbewegung und Programmierenergie verursachen.
Forschungsansätze kombinieren Photonik mit Phasenwechselmaterialien, ferroelektrischen Bauelementen oder anderen nichtflüchtigen Zuständen. Ziel ist ein optischer Rechenkern, dessen Gewichte ohne dauernde Energiezufuhr erhalten bleiben. In-Memory-Photonik ist besonders interessant, weil sie Rechnen und Speichern näher zusammenführt. Der Weg zu hoher Schreibfestigkeit, feiner Abstufung und industrieller Fertigung ist jedoch noch offen.
4. Umwandlung zwischen Elektronik und Optik
Jede Umwandlung benötigt Bauteile, Zeit und Energie. Werden Daten vor und nach jeder kleinen Operation konvertiert, verschwindet der Vorteil des photonischen Kerns. Gute Architekturen bündeln deshalb viele optische Operationen zwischen Ein- und Ausgabe oder halten Daten möglichst lange in der optischen Domäne. Besonders attraktiv sind Sensordaten, die bereits als Licht vorliegen – beispielsweise in Kameras, Mikroskopen oder Spektrometern.
5. Fertigung, Packaging und Test
Elektronische Halbleiter profitieren von jahrzehntelang optimierten Designregeln, Prüfverfahren und Lieferketten. Integrierte Photonik ist industriell etabliert, etwa in der Telekommunikation, doch große programmierbare Rechennetze stellen andere Anforderungen. Licht muss verlustarm gekoppelt, mehrere Materialplattformen müssen verbunden und Tausende empfindliche Komponenten müssen getestet werden.
Packaging ist dabei keine Nebensache. Die Position von Fasern, Lasern, photonischem Chip und Elektronik beeinflusst Verlust, Wärme und Kosten. Ein beeindruckender optischer Kern wird erst zum Produkt, wenn das Gesamtmodul zuverlässig gefertigt, gekühlt und in bestehende Server integriert werden kann.
Welche Anwendungen zuerst profitieren könnten
| Anwendung | Warum Photonik passt | Was noch fehlt |
|---|---|---|
| KI-Inferenz | Viele wiederholte Matrixoperationen, reduzierte Präzision oft möglich | Softwareintegration, stabile Skalierung, Kosten |
| Optische Sensorik | Daten liegen bereits als Licht vor | Anwendungsspezifische Architekturen und Training |
| Telekommunikation | Filterung und Verarbeitung sehr schneller Signale | Flexible Programmierbarkeit und Systemstandardisierung |
| Optimierungsprobleme | Physikalische Dynamik kann Lösungen schnell annähern | Faire Benchmarks und garantierte Lösungsqualität |
| Wissenschaftliche Gleichungen | Fourier-Transformationen und lineare Operatoren sind optisch natürlich | Genauigkeit, Randbedingungen und digitale Nachbearbeitung |
| Rechenzentrums-Verbindungen | Hohe Bandbreite über mehrere Wellenlängen | Packaging, Laserintegration und Standards |
KI-Inferenz statt universeller Rechner
Bei Sprach-, Bild- und Empfehlungssystemen machen Matrixoperationen einen großen Teil der Arbeit aus. Ein photonischer Tensor-Kern kann diese linearen Schichten beschleunigen, während elektronische Einheiten Aktivierungen, Normalisierung, Speicher und Ablaufsteuerung übernehmen. Modelle müssen dafür nicht zwangsläufig neu erfunden werden, wohl aber kompiliert, quantisiert und auf die Eigenschaften des Kerns abgebildet werden.
Kleine Modelle am Netzwerkrand sind ein weiteres Feld. Dort zählt nicht nur Spitzengeschwindigkeit, sondern Energie pro Entscheidung. Allerdings konkurriert Photonik mit sehr effizienten digitalen Mikrocontrollern und spezialisierten Edge-Chips. Der Röschel-Überblick zu Small Language Models und lokaler KI zeigt, warum die Wahl des Modells ebenso wichtig ist wie die Wahl der Hardware.
Bildgebung, Mikroskopie und Spektroskopie
Wenn ein Sensor Licht misst, ist eine optische Vorverarbeitung besonders sinnvoll. Eine Linse oder diffraktive Struktur kann Merkmale herausfiltern, bevor alle Rohdaten digitalisiert werden. Das reduziert die Datenmenge und ermöglicht sehr schnelle Entscheidungen. Denkbar sind intelligente Mikroskope, Qualitätskontrolle in der Industrie, hyperspektrale Analyse oder medizinische Diagnostik. Die Herausforderung liegt darin, eine spezifische optische Funktion robust mit der nachfolgenden digitalen Auswertung zu verbinden.
Telekommunikation und 6G-Signalverarbeitung
Sehr breitbandige Funksignale benötigen Filter, Fourier-Transformationen und Matrixoperationen. Elektronik muss diese Signale zunächst mit hoher Rate abtasten. Photonische Prozessoren können Teile der Verarbeitung im Hochfrequenz- oder optischen Bereich übernehmen. Das ist kein optischer Laptop-Prozessor, sondern ein spezialisierter Signalpfad für Basisstationen, Satellitenkommunikation, Radar oder Messtechnik.
Optimierung und wissenschaftliches Rechnen
Logistik, Chipdesign, Produktionsplanung und wissenschaftliche Modelle enthalten schwierige Optimierungsprobleme. Photonische Ising-Maschinen oder Reservoir-Computer nutzen die natürliche Dynamik eines optischen Systems, um Kandidatenlösungen sehr schnell zu erzeugen. Sie liefern häufig Näherungen statt mathematisch garantierter Optima. Ihr Wert hängt deshalb von der Qualität der Lösung, der Zeit bis zur Lösung und der Einbettung in einen klassischen Algorithmus ab.
Auch Differentialgleichungen können von optischen Fourier-Operationen profitieren. Solche Gleichungen beschreiben Strömungen, Wärme, Wellen und Materialverhalten. In der Praxis wird ein photonischer Kern voraussichtlich einzelne rechenintensive Operatoren übernehmen, während der Rest des Simulationsablaufs digital bleibt. Das Prinzip ähnelt der Nutzung spezialisierter Beschleuniger in datengetriebenen Anwendungen; mehr dazu zeigt der Beitrag über Smart Data und Predictive Analytics.
Was Skalierung bei Photonik wirklich bedeutet
Bei elektronischen Chips wird Skalierung oft mit kleineren Transistoren verbunden. Photonik folgt anderen Regeln. Optische Strukturen können nicht beliebig verkleinert werden, weil ihre Funktion an Wellenlänge, Resonanz und Modenführung gekoppelt ist. Ein photonischer Baustein ist häufig deutlich größer als ein moderner Transistor. Trotzdem kann ein System leistungsfähig skalieren, wenn jeder Baustein viele Operationen parallel trägt oder mehrere Wellenlängen gleichzeitig verarbeitet.
Die Zahl optischer Komponenten allein ist daher kein ausreichender Maßstab. Relevant sind nutzbare Matrixgröße, Bandbreite, Verlust pro Pfad, erforderliche Kalibrierung, Genauigkeit und die Zahl der elektrischen Schnittstellen. Mit wachsendem Netz werden Pfade länger, Verluste addieren sich und thermische Wechselwirkungen komplizierter. Verstärkung kann helfen, fügt aber Rauschen und Energiebedarf hinzu.
Eine zweite Skalierungsdimension ist das Packaging. Chiplets erlauben, photonische und elektronische Dies mit jeweils geeigneten Fertigungsprozessen zu kombinieren. Ein hochmodernes digitales Logik-Die muss dann nicht auf derselben Prozesslinie wie verlustarme Wellenleiter gefertigt werden. Diese Aufgabenteilung kann Kosten und Entwicklungsrisiko reduzieren, verlangt aber sehr dichte, energiearme Verbindungen zwischen den Dies.
Die dritte Dimension ist Software. Ein Beschleuniger skaliert nur wirtschaftlich, wenn Compiler Modelle automatisch zerlegen, Gewichte abbilden, Fehler kompensieren und Arbeit mit CPU, GPU und Speicher koordinieren. Entwickler sollten die optische Physik nicht für jede Anwendung manuell programmieren müssen. Reife Bibliotheken und standardisierte Schnittstellen werden deshalb ebenso wichtig wie bessere Bauelemente.
Deutschland und Europa: eine realistische Industriechance
Europa besitzt in der Photonik eine breite Forschungs- und Industrielandschaft: Lasertechnik, optische Messtechnik, Halbleiterfertigung, Materialien, Automatisierung und Präzisionsmaschinenbau. Deutschland ist besonders stark in industrieller Optik, Sensorik und anwendungsnaher Forschung. Diese Basis passt gut zu photonischen Rechensystemen, denn deren Erfolg hängt nicht nur vom Prozessordesign ab, sondern von Lichtquellen, Materialien, Packaging, Testtechnik und Anwendungen.
In Jena untersucht das Leibniz-Institut für Photonische Technologien unter anderem neuronale Verarbeitung in optischen Fasern. Nichtlineare Frequenzmischung kann Lichtsignale filtern und gewichten, sodass Teile einer Datenanalyse direkt im optischen Medium stattfinden. Der medizinische und mikroskopische Kontext ist für Europa besonders interessant: Hier kann Photonik nicht nur einen elektronischen Rechenschritt ersetzen, sondern Messung und Verarbeitung enger verbinden.
Fraunhofer-Institute arbeiten an Siliziumphotonik, optoelektronischer Integration, neuromorpher Hardware, Sensorik und vertrauenswürdiger Mikroelektronik. Europäische Programme fördern zudem Pilotlinien für photonische integrierte Schaltungen. Solche Infrastrukturen sollen den Übergang vom Laborentwurf zur Kleinserie erleichtern – eine kritische Stufe für Start-ups, Mittelständler und Forschungsgruppen, die keine eigene Chipfabrik betreiben können.
Der European Chips Act schafft dafür einen industriepolitischen Rahmen. Für Photonik ist besonders wichtig, dass Pilotfertigung, Designplattformen und Kompetenzzentren nicht ausschließlich auf klassische digitale Prozessoren reduziert werden. Der Wettbewerb entscheidet sich auch bei Packaging, Prozessbibliotheken, Teststandards und der Verfügbarkeit kleiner Stückzahlen für neue Anwendungen.
Wo Europa nicht kopieren muss
Europa muss nicht versuchen, jeden universellen KI-Beschleuniger nachzubauen. Eine aussichtsreiche Strategie liegt in vertikalen Systemen: photonische Signalverarbeitung für Maschinenbau, Medizintechnik, Telekommunikation, wissenschaftliche Instrumente, Automotive-Sensorik und energieeffiziente Rechenzentren. In diesen Bereichen existieren bereits Kunden, Domänenwissen und hochwertige Produktionsketten.
Entscheidend ist, dass akademische Demonstratoren früh mit realen Randbedingungen geprüft werden. Dazu gehören Temperaturbereiche, Zuverlässigkeit, Wartung, Datenschutz, verfügbare Software und Kosten pro verarbeitetem Datensatz. Eine Technologie kann physikalisch überlegen und wirtschaftlich trotzdem ungeeignet sein. Umgekehrt kann ein kleiner Vorteil bei Latenz oder Bandbreite in einer klar definierten Industrieanwendung erheblichen Wert schaffen.
Wie Unternehmen Photonic Computing heute bewerten sollten
Für die meisten Unternehmen ist 2026 kein Zeitpunkt, einen vollständig photonischen Rechner zu beschaffen. Es ist jedoch sinnvoll, die Technologie dort zu beobachten, wo Rechenkosten, Latenz oder Datenübertragung ein strategisches Problem werden. Ein realistischer Bewertungsprozess beginnt mit der Arbeitslast, nicht mit dem Chip.
Erstens: Rechenprofil messen. Welcher Anteil der Anwendung besteht tatsächlich aus großen linearen Operationen? Wie oft werden Gewichte geändert? Wie viel Zeit geht für Speicher und Kommunikation verloren? Ohne diese Daten bleibt jeder Beschleunigervergleich theoretisch.
Zweitens: Genauigkeitsanforderung definieren. Eine Bildklassifikation toleriert andere Fehler als eine technische Simulation. Es zählt nicht nur die Zahl der Bits, sondern die Wirkung der analogen Abweichung auf das Endergebnis.
Drittens: Ende-zu-Ende messen. Benchmark, Vorverarbeitung, Datenübertragung, Wandlung und Nachverarbeitung gehören in dieselbe Bilanz. Ein isolierter Kernwert darf nicht als Systemleistung verkauft werden.
Viertens: Integrationsrisiko prüfen. Gibt es Compiler, Treiber, Monitoring und einen belastbaren Support? Kann die Anwendung auf anderer Hardware weiterlaufen? Wie stabil ist die Lieferkette?
Fünftens: passende Pilotanwendung wählen. Ein enger, wiederholbarer Prozess mit hoher Last eignet sich besser als eine gesamte IT-Landschaft. Der Nutzen sollte in Energie, Latenz, Durchsatz oder Datenreduktion klar messbar sein.
Drei verbreitete Missverständnisse
„Licht ist schneller, also ist jeder photonische Computer schneller“
Die Ausbreitungsgeschwindigkeit ist nur ein Teil der Latenz. Daten müssen erzeugt, moduliert, detektiert und gespeichert werden. Ein elektronischer Chip verarbeitet Signale ebenfalls über sehr kurze Distanzen. Der echte Vorteil der Photonik liegt in Parallelität, Bandbreite und der physikalischen Abbildung bestimmter Operationen.
„Photonen erzeugen keine Wärme“
Passive optische Wege können sehr verlustarm sein. Laser, Modulatoren, Heizer, Detektoren und elektronische Wandler verbrauchen jedoch Strom und erzeugen Wärme. Außerdem wird absorbiertes Licht letztlich in Wärme umgewandelt. Photonik kann eine bessere Energiebilanz ermöglichen, ist aber nicht thermisch kostenlos.
„Photonische Chips ersetzen bald alle Transistoren“
Speicher, Programmlogik, Verzweigungen und präzise digitale Berechnungen bleiben auf absehbare Zeit elektronische Aufgaben. Die wahrscheinlichste Entwicklung ist heterogen: Jede Technologie übernimmt den Teil, den sie besonders gut beherrscht. Gerade die enge Verbindung von Photonik und CMOS-Elektronik macht aktuelle Systeme glaubwürdiger als die Vorstellung eines rein optischen Universalrechners.
Ein realistischer Entwicklungspfad bis in die 2030er-Jahre
Der erste breite Einsatz dürfte bei optischen Verbindungen und spezialisierten Modulen stattfinden. Rechenzentren benötigen immer mehr Bandbreite zwischen Beschleunigern. Wenn optische Ein- und Ausgänge näher an die Chips rücken, entstehen Fertigung, Packaging und Software, auf denen spätere Rechenkerne aufbauen können.
Parallel werden photonische Beschleuniger in eng definierten Märkten erprobt: Signalverarbeitung, Sensorfusion, wissenschaftliche Instrumente, Optimierung und ausgewählte KI-Inferenz. Erfolgreiche Produkte müssen nicht jede GPU schlagen. Es reicht, wenn sie bei einer wichtigen Aufgabe einen stabilen, messbaren Vorteil bieten.
In einer späteren Phase könnten mehrere photonische Kerne mit lokalem elektronischem Speicher und Chiplet-Verbindungen zu größeren Systemen kombiniert werden. Fortschritte bei nichtflüchtigen optischen Gewichten, energiearmen Modulatoren und integrierten Lichtquellen würden die Zahl kostspieliger Umwandlungen reduzieren. Compiler könnten Modelle automatisch an reale Bauteilfehler anpassen.
Ob daraus eine neue dominante Computerarchitektur entsteht, ist offen. Wahrscheinlicher ist eine vielfältige Hardwarelandschaft: CPU für Kontrolle, GPU und digitale KI-Chips für flexible Parallelrechnung, neuromorphe Systeme für Ereignisdaten, Quantencomputer für wenige spezielle Algorithmen und Photonik für Kommunikation sowie lineare Hochdurchsatzoperationen.
Fazit: Die nächste Computergeneration wird hybrid
Photonic Computing ist weder bloße Zukunftsmusik noch der unmittelbar bevorstehende Ersatz aller heutigen Prozessoren. Der Stand 2026 liegt dazwischen: Große integrierte Systeme haben gezeigt, dass Licht realistische Matrixoperationen, KI-Modelle und Optimierungsaufgaben bearbeiten kann. Die Forschung entwickelt zugleich bessere Nichtlinearitäten, intelligentere Fasern, neue Materialien und engere Verbindungen zwischen optischen und elektronischen Chips.
Der wichtigste Vorteil ist nicht ein mystischer „Lichtgeschwindigkeitscomputer“. Es ist die Möglichkeit, viele Datenkanäle gleichzeitig zu führen und ausgewählte mathematische Operationen direkt durch Interferenz auszuführen. Besonders relevant wird das, wenn Datenbewegung die Leistung elektronischer Systeme begrenzt.
Ebenso wichtig sind die Grenzen. Analoge Präzision, Temperaturdrift, Umwandlungsenergie, Speicher, Packaging und Software entscheiden darüber, ob ein Laborrekord im Rechenzentrum oder in einem medizinischen Gerät Bestand hat. Seriöse Vergleiche müssen deshalb das vollständige System betrachten.
Für Deutschland und Europa liegt die Chance in der Verbindung vorhandener Stärken: Photonik, Präzisionsfertigung, Materialien, Sensorik, Forschung und industrielle Anwendungen. Wenn Pilotlinien und Kompetenzzentren den Übergang zur Produktion erleichtern, kann Europa nicht nur einzelne optische Bauteile liefern, sondern komplette photonisch-elektronische Systeme entwickeln.
Die nächste Computer-Generation wird daher voraussichtlich nicht „mit Licht statt mit Elektronen“ rechnen. Sie wird Licht und Elektronen jeweils dort einsetzen, wo ihre Physik den größten Nutzen bringt. Genau diese Arbeitsteilung macht Photonic Computing so interessant: nicht als radikaler Bruch mit der Halbleiterwelt, sondern als neue Ebene in ihrem Aufbau.
