🌟 光コンピューティングとAI (Photonic Computing & AI) 技術サーベイ報告書 (2025-2026)
📋 エグゼクティブ・サマリー
近年、ディープラーニングや大規模言語モデル (LLM) のパラメータ数およびコンテキスト長の爆発的な増加に伴い、従来のシリコン半導体（GPU/NPU等）は電気的データ移動の遅延と電力消費の限界、いわゆる「メモリの壁 (Memory Wall)」や「帯域幅 of 壁 (Bandwidth Wall)」に直面しています。
本報告書は、2025年〜2026年に発表された最新のarXiv論文から、この課題を解決するために注目を集める光コンピューティング (Photonic Computing) および 光ニューラルネットワーク (PNN / ONN) に関する重要な研究15本を抽出し、その技術動向と今後の展望をまとめたものです。
現在、光AI技術は「静的な行列演算の高速化」という初期段階から、「動的なトランスフォーマー推論の加速」「分散学習における光ネットワーク内演算」「物理設計自動化 (EPDA)」「量子・古典ハイブリッドQML」といった、より実用的かつ大規模なシステム統合のフェーズへと急速にシフトしています。
🗺️ 技術マップ (Taxonomy of Photonic AI)
graph TD
A["光AIシステム (2025-2026)"] --> B["1. Transformer & LLM 加速"]
A --> C["2. 分散学習 & 光ネットワーク内演算"]
A --> D["3. アナログ光ニューラルネットワーク"]
A --> E["4. 量子機械学習 (QML) & 最適化"]
A --> F["5. AI駆動型設計自動化 (EPDA)"]
B --> B1["PRISM (KVキャッシュのO(1)光ブロック選択)"]
B --> B2["SimPhony (クロスレイヤー協調設計)"]
C --> C1["OptINC (光ファイバー内での勾配平均化)"]
D --> D1["ReDON (自己変調非線形性の再構成)"]
D --> D2["LuxIA (高速なPNNトレーニング)"]
D --> D3["Hebbian PNN (PCMシナプスによる全光学習)"]
D --> D4["Diffusion Accelerators (拡散モデルの加速)"]
E --> E1["PQKD (量子支援知識蒸留)"]
E --> E2["MerLin (QMLシミュレーションエンジン)"]
E --> E3["Photonic Ising Machine (イジングモデルの光シミュレーション)"]
F --> F1["OPTIAGENT (LLMによるレンズ自動設計)"]
F --> F2["SimPhony/Apollo (電子・光共設計EPDAツール)"]
🔬 分野別・主要論文解説
1. Transformer & LLM 推論の高速化 (Transformer & LLM Acceleration)
LLMの長文コンテキスト推論において、GPUは計算そのものよりも、トークン生成ごとにKVキャッシュ全体をメモリからスキャンするメモリ帯域幅によってボトルネックが発生します。光の超高速なファンアウト特性を活かしたアプローチが登場しています。
- PRISM: Breaking the O(n) Memory Wall in Long-Context LLM Inference via O(1) Photonic Block Selection (arXiv:2603.21576)
- 著者: Hyoseok Park, Yeonsang Park (2026-03-23)
- 概要: LLMのコンテキスト長 (N) が伸びるにつれ、KVキャッシュの選択コストは線形 (O(N)) に増加します。本研究は、 coarse なブロック選択（類似性検索）が「光のブロードキャスト＆ウェイト・パラダイム」に完全に合致することを発見しました。薄膜リチウムナイオベート (TFLN) を用いた類似性エンジン「PRISM」を提案し、64Kトークンのコンテキストにおいて、100%のニードル精度、16倍の通信トラフィック削減、GPU基盤に対して4桁以上のエネルギー優位性を実証しました。
- Toward Large-Scale Photonics-Empowered AI Systems: From Physical Design Automation to System-Algorithm Co-Exploration (arXiv:2601.00129)
- 著者: Ziang Yin, Hongjian Zhou, Jiaqi Gu 他 (2025-12-31)
- 概要: 大規模光AIシステム実現のための3つの要件（動的テンソル演算のサポート、A/D変換やデータ移動オーバーヘッドの最小化、ハードウェアの非理想性への堅牢性）を提示。これらを定量的に評価するため、初期探索からレイアウト生成までをカバーするクロスレイヤーツールチェーン (SimPhony, ADEPT, Apollo) を構築しました。
2. 分散学習と光ネットワーク内演算 (Distributed Learning & In-Network Computing)
複数の計算ノードを繋ぐ光ファイバー自体で、データ転送と同時に「加算や量子化」などの演算を光のまま行う新しいインフラ技術です。
- OptINC: Optical In-Network-Computing for Scalable Distributed Learning (arXiv:2603.28290)
- 著者: Sijie Fei, Grace Li Zhang, Bing Li 他 (2026-03-30)
- 概要: 分散学習における主要なボトルネックである勾配の同期処理（Ring All-Reduceなど）の通信オーバーヘッドを削減するため、光インターコネクト（光ファイバー）自体にマッハ・ツェンダー干渉計 (MZI) などの光デバイスを組み込み、ネットワーク内で勾配の平均化と量子化を直接実行 (In-Network Computing) するアーキテクチャ「OptINC」を提案。LLaMAベースのモデルやResNetの学習で、精度を損なうことなく通信オーバーヘッドを実質ゼロにできることを評価しました。
3. アナログ光ニューラルネットワーク (Analog PNNs & Diffractive Processing)
回折格子やPCM（相変化材料）などの物理デバイスを用い、超低消費電力・低遅延でニューラルネットワークの順方向計算を行う手法です。
- ReDON: Recurrent Diffractive Optical Neural Processor with Reconfigurable Self-Modulated Nonlinearity (arXiv:2602.23616)
- 著者: Ziang Yin, Qi Jing, Jiaqi Gu 他 (2026-02-27)
- 概要: 従来の回折型光ニューラルネットワーク (DONN) は、静的な位相マスクを使用するため非線形性の表現力と再プログラム性に課題がありました。本研究では、LLMのGated Linear Unit (GLU) に着想を得て、光の一部を検出して位相/強度をその場で電気光学変調する「自己変調非線形性」を備えた「ReDON」を提案。画像認識・セグメンテーションタスクにおいて、従来のDONNと比較してテスト精度やmIoUを最大20%向上させました。
- LuxIA: A Lightweight Unitary Matrix-Based Framework Built on an Iterative Algorithm for Photonic Neural Network Training (arXiv:2512.22264)
- 著者: Tzamn Melendez Carmona, Alessandro Savino 他 (2025-12-24)
- 概要: 光ニューラルネットワーク (PNN) の伝達行列計算は非常にメモリを消費し、大規模なシミュレーションと逆伝播学習が困難でした。本研究では「Slicing method」と呼ばれる効率的な行列計算手法を提案し、これを統合した学習フレームワーク「LuxIA」を開発。従来ツールに比べ、メモリ消費と実行時間を劇的に削減し、大規模PNNの学習を可能にしました。
- Toward all-optical unsupervised Hebbian learning in deep photonic neuromorphic networks (arXiv:2601.22300)
- 著者: Xi Li, Disha Biswas, Qing Gu 他 (2026-01-29)
- 概要: 外部での勾配計算や電気・光・電気 (O-E-O) 変換を一切行わず、相変化材料 (PCM) シナプスと局所的な光フィードバックを用いて、光回路内のみで完結するオンライン・非監督ヘブ学習 (Hebbian Learning) を行うディープ光ニューロモーフィックネットワークを提案。画像認識タスクにおいて、光回路が自律的にパターンを学習・符号化できることを実証しました。
- Accelerating Diffusion Models for Generative AI Applications with Silicon Photonics (arXiv:2603.07626)
- 著者: Tharini Suresh, Salma Afifi, Sudeep Pasricha (2026-03-08)
- 概要: 生成AIの主流である拡散モデル (Diffusion Models) はUNetや注意機構の繰り返し計算が必要で、消費電力が極めて大きい問題があります。本研究は、シリコンフォトニクスに基づく拡散モデル専用のアクセラレータを提案し、従来のデジタル専用アクセラレータと比較して、少なくとも3倍以上のエネルギー効率と5.5倍以上のスループット向上を達成しました。
4. 量子機械学習 (QML) と最適化 (Quantum QML & Ising Optimization)
光の量子状態やコヒーレンスを利用し、確率的探索や組合せ最適化問題を極めて高速に解く技術です。
- Photonic Quantum-Enhanced Knowledge Distillation (arXiv:2603.14898)
- 著者: Kuan-Cheng Chen, Ian Walmsley 他 (2026-03-16)
- 概要: 光量子プロセッサが本質的に持つ確率的な測定ゆらぎ（ショット雑音）を「ハードウェア由来の構造化された乱数ソース」として利用し、知識蒸留 (Knowledge Distillation) に応用する「PQKD」フレームワークを提案。少ないパラメータ数の生徒モデルに適切な正則化（構造化ランダムネス）を適用し、圧縮限界に近い性能を維持します。
- MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning (arXiv:2602.11092)
- 著者: Cassandre Notton, Jean Senellart 他 (2026-02-11)
- 概要: 線形光回路の高速シミュレータをPyTorchやscikit-learnワークフローと統合したオープンソースのディスカバリーエンジン「MerLin」を開発。既存の著名な光量子機械学習 (QML) 論文18本の実験セットをモジュール化して再現し、ベンチマーク環境を提供します。
- Incorporating rank-free coupling and external field via an incoherent modulated spatial photonic Ising machine (arXiv:2512.21587)
- 著者: Ze Zheng, Guihua Zeng 他 (2025-12-25)
- 概要: 振幅のみを変調する「ランクフリー空間光イジングマシン」を構築し、797スピンの完全結合イジングモデルを約9ビットの精度、200Hzの反復レートで直接実行。42万頂点を超える大規模グラフのMax-Cut問題を光学的に解決し、コヒーレント光イジングマシンのスケーラビリティを証明しました。
5. AI駆動型設計自動化 (EPDA / Optical Design)
物理的なレンズの最適化や、電子・光集積回路のレイアウト設計をAIによって自動化する最先端ツールフローです。
- OPTIAGENT: A Physics-Driven Agentic Framework for Automated Optical Design (arXiv:2602.23761)
- 著者: Yuyu Geng, Kaiwei Wang 他 (2026-02-27)
- 概要: 光学設計は極めて複雑な非凸最適化問題であり、専門知識が必要です。本研究は、大規模言語モデル (LLM) に物理シミュレータと最適化ルーチンを組み合わせたエージェントフレームワーク「OPTIAGENT」を構築。強化学習手法 (DrGRPO) と光学原理に基づく報酬設計を組み合わせ、専門知識のないユーザーでも自動で高性能なレンズシステムを設計できる環境を実現しました。
- Democratizing Electronic-Photonic AI Systems: An Open-Source AI-Infused Cross-Layer Co-Design and Design Automation Toolflow (arXiv:2601.00130)
- 著者: Hongjian Zhou, Ziang Yin, Jiaqi Gu (2025-12-31)
- 概要: 物理デバイス、回路、システムアーキテクチャ、AIアルゴリズムを統合的にコデザインするためのオープンソースEPDAフレームワークを提示。AIを用いたマクスウェルソルバーや製造時の誤差を考慮した逆設計 (Inverse Design) アルゴリズムをサポートします。
📊 論文一覧サマリーテーブル
| # | 論文ID | 論文タイトル | 主なカテゴリー | 提案手法 / 技術 | 発表日 |
|---|---|---|---|---|---|
| 1 | 2603.21576 | PRISM: Breaking the O(n) Memory Wall... | Transformer & LLM | 薄膜リチウムナイオベートによるO(1)光ブロック選択 (KVキャッシュ用) | 2026-03-23 |
| 2 | 2603.28290 | OptINC: Optical In-Network-Computing... | 分散学習 / ネットワーク | MZI集積光ファイバー内での勾配平均化と量子化 | 2026-03-30 |
| 3 | 2602.23616 | ReDON: Recurrent Diffractive Optical... | アナログ光AI (DONN) | 電気光学変調を用いた自己変調非線形性とハードウェア再利用 | 2026-02-27 |
| 4 | 2603.14898 | Photonic Quantum-Enhanced Knowledge... | 量子機械学習 (QML) | 光量子のショット雑音を用いた辞書畳み込み用構造化ランダム生成 | 2026-03-16 |
| 5 | 2512.22264 | LuxIA: A Lightweight Unitary Matrix... | シミュレーション・学習 | Slicing methodによるPNN逆伝播の省メモリ・高速化 | 2025-12-24 |
| 6 | 2601.22300 | Online unsupervised Hebbian learning... | アナログ光AI (PNN) | PCMシナプスと局所フィードバックによる全光オンライン学習 | 2026-01-29 |
| 7 | 2603.07626 | Accelerating Diffusion Models... | アナログ光AI (PNN) | シリコンフォトニクスによる拡散モデル (UNet/Attention) の加速 | 2026-03-08 |
| 8 | 2602.11092 | MerLin: A Discovery Engine for... | 量子機械学習 (QML) | PyTorch統合の光量子シミュレータ＆18本再現ベンチマーク | 2026-02-11 |
| 9 | 2602.23761 | OPTIAGENT: A Physics-Driven Agentic... | 設計自動化 (EPDA) | LLMエージェント + 物理シミュレータによるレンズ自動設計 | 2026-02-27 |
| 10 | 2601.00129 | Toward Large-Scale Photonics-Empowered... | 設計自動化 / 協調設計 | SimPhony、Apollo、LiDAR等を統合したクロスレイヤーツールフロー | 2025-12-31 |
| 11 | 2512.21587 | Incorporating rank-free coupling... | 量子・イジング | 振幅変調器を用いた完全結合型空間光イジングマシン (797スピン) | 2025-12-25 |
| 12 | 2603.29131 | Large-scale nonlinear optical computing... | アナログ光AI (DONN) | 強度エンコーディングと線形回折によるインコヒーレント光非線形演算 | 2026-03-31 |
| 13 | 2602.19114 | Kaiwu-PyTorch-Plugin: Bridging Deep... | 量子・イジング | Coherent Ising Machine (CIM) を用いたPyTorch用量子・古典統合 | 2026-02-22 |
| 14 | 2601.00130 | Democratizing Electronic-Photonic AI... | 設計自動化 (EPDA) | メタ光ニューラルネットワーク等のオープンソースEPDAフレームワーク | 2025-12-31 |
| 15 | 2603.09645 | Noise in Photonic Quantum Machine... | 量子機械学習 (QML) | PQMLにおけるノイズ源の分類と、学習補正・ノイズ低減戦略の網羅 | 2026-03-10 |
📈 主要なトレンド分析 (Trend Analysis)
- 静的重み (Weight-Static) から動的演算 (Dynamic Compute) への脱却
- 従来の光コンピューティングは「一度重みを設定したら固定されたまま画像推論を行う」静的回路が主流でした。しかし、近年のトランスフォーマーモデル（注意機構など）の台頭により、クエリとキーの動的な行列積を光ドメインでその場（On-the-fly）で解く必要性が生じています。これに対し、薄膜リチウムナイオベート (TFLN) などの高速光変調器を用いたPRISMや、自己変調機能を持つReDONなどが登場し、動的な動的テンソル演算が可能になりつつあります。
- 電子・光協調設計 (Electronic-Photonic Co-Design) のツール化
- デバイス単体の性能向上だけでなく、システム全体（A/D変換器やメモリ転送オーバーヘッドを含む）の最適化が焦点となっています。2025年末以降、SimPhonyやApollo、MerLinなどのオープンソースツールが登場したことで、従来のPyTorchなどといったAIエンジニアの使い慣れたソフトウェアエコシステムと光物理シミュレータが融合し、アルゴリズムと物理回路の協調探索 (EPDA) が劇的に容易になりました。
- 光の超高速ファンアウトを活かした「ブロック選択」
- KVキャッシュ全体の計算をすべて光で行うのではなく、メモリ帯域幅がボトルネックになる「 coarse な検索（ブロックの絞り込み）」のみを光のブロードキャストで瞬時に行い、精密な計算は電子回路（GPU）で行うといった、ハイブリッドな適材適所の処理が現実的なソリューションとして定着しつつあります（PRISM）。
- ネットワークと演算の融合 (Optical In-Network Computing)
- 分散学習時の「データ通信路」そのものを「演算回路」に変えてしまうというパラダイム（OptINC）は、従来のデータ転送時間のオーバーヘッドを完全に無効化する画期的な技術であり、数千ノードを接続する次世代スーパーコンピュータやLLM学習ファームの基盤となる可能性を秘めています。
結論: 2025年〜2026年の技術進展により、光コンピューティングは「特殊用途のデモチップ」から「大規模言語モデル (LLM) や拡散モデルなどの最先端AIアルゴリズムを物理的・システム的に統合して支えるインフラ」へと実用化が進んでいます。特に、EPDAツールチェーンの標準化と、TFLN等の新素材デバイスの進化が、この発展を支える強力な両輪となっています。
報告書作成日: 2026年6月22日 (Antigravity)