Q.ANT veröffentlicht Open-Source-SDK für photonisches Computing

Ein Softwarezugang zu einer bislang spezialisierten Rechentechnologie

Die Entwicklung leistungsfähiger Künstlicher Intelligenz stellt Unternehmen und Rechenzentren vor eine doppelte Herausforderung: Benötigt werden immer größere Rechenkapazitäten, gleichzeitig steigen Stromverbrauch, Kühlungsbedarf und Betriebskosten. Neben klassischen Grafikprozessoren, spezialisierten KI-Beschleunigern und Quantencomputern rückt deshalb eine weitere Technologie stärker in den Fokus: das photonische Computing.

Bei diesem Ansatz werden Rechenoperationen zumindest teilweise mit Licht anstelle von elektrischen Signalen ausgeführt. Das Stuttgarter Unternehmen Q.ANT hat im September 2026 ein Software Development Kit veröffentlicht, das den Zugang zu seinen photonischen Native Processing Units, kurz NPUs, erleichtern soll. Nach Unternehmensangaben handelt es sich um das weltweit erste öffentlich verfügbare Open-Source-SDK für einen photonischen Prozessor.

Die Bedeutung der Veröffentlichung liegt weniger in einer einzelnen Programmierschnittstelle als in der möglichen Öffnung eines bislang stark spezialisierten Technologiefelds. Entwicklerinnen und Entwickler sollen photonische Anwendungen mit vertrauten Werkzeugen erstellen können, ohne bereits zu Beginn über direkten Zugang zu einem photonischen Rechenserver verfügen zu müssen.

Das SDK stellt dafür eine Verbindung zwischen klassischer Softwareentwicklung und optischer Datenverarbeitung her. Anwendungen lassen sich zunächst auf einem herkömmlichen Rechner modellieren, simulieren und funktional überprüfen. Erst in einem weiteren Schritt wird der Code auf reale photonische Hardware übertragen. Damit adressiert Q.ANT eine der zentralen Hürden neuer Rechnerarchitekturen: die fehlende Verfügbarkeit von Entwicklungsumgebungen, Standards und erprobten Programmiermodellen.

Was das neue SDK umfasst

Nach den vorliegenden Angaben besteht das Angebot aus einem Toolkit und einer separaten Sammlung von Beispielanwendungen. Das Toolkit wird unter der Apache-Lizenz 2.0 bereitgestellt. Diese Lizenz erlaubt grundsätzlich die Nutzung, Veränderung und Weitergabe der Software unter den Bedingungen der Lizenz. Für Unternehmen ist insbesondere relevant, dass der Quellcode eingesehen und in eigene Entwicklungs- und Testprozesse integriert werden kann.

Zu den wesentlichen Bestandteilen gehören:

- Programmierschnittstellen für C und C++ sowie Python - Eine technische Dokumentation für die Nutzung der Schnittstellen - Ein Simulations-Backend für Standard-CPUs - Beispielimplementierungen für photonische Rechenabläufe - Vergleichsanwendungen zur Untersuchung klassischer und photonisch ausgelegter Modelle

Die Unterstützung mehrerer Programmiersprachen ist für die Einordnung des SDKs entscheidend. C und C++ sind in rechenintensiven Systemen, eingebetteten Anwendungen und industriellen Softwareumgebungen weit verbreitet. Python wiederum spielt eine zentrale Rolle in der Entwicklung, Analyse und Bereitstellung von KI-Modellen. Durch diese Kombination kann das SDK sowohl auf Systemebene als auch in datenwissenschaftlichen Workflows eingesetzt werden.

Der CPU-Simulator soll dabei eine Entwicklungsumgebung schaffen, die ohne spezielle Hardware auskommt. Entwickler können die grundlegende Funktion eines Programms untersuchen und Fehler in der Softwarelogik identifizieren, bevor sie einen physischen photonischen Prozessor benötigen. Das reduziert die Einstiegskosten und erleichtert die Evaluierung der Technologie in Forschung, Entwicklung und Unternehmensumgebungen.

Warum ein Simulator für Unternehmen relevant ist

Neue Hardwarearchitekturen scheitern in der Praxis häufig nicht an der theoretischen Leistungsfähigkeit, sondern an fehlenden Werkzeugen. Ein Entwicklerteam, das eine Anwendung für einen spezialisierten Prozessor erstellen möchte, benötigt normalerweise Zugriff auf die Hardware, geeignete Compiler, Bibliotheken, Debugging-Werkzeuge und technische Dokumentation. Fehlt nur eine dieser Komponenten, verlängert sich die Entwicklungszeit erheblich.

Ein CPU-basierter Simulator kann diese Abhängigkeit zumindest in der frühen Projektphase verringern. Unternehmen können damit zunächst prüfen, ob ein bestimmter Workload grundsätzlich für photonische Verarbeitung geeignet ist. Dazu gehören beispielsweise mathematische Operationen, lineare Algebra, Mustererkennung und ausgewählte neuronale Netze.

Der Simulator ersetzt allerdings keine Messung auf realer Hardware. Zwischen einer funktionalen Emulation und einem produktiven Betrieb bestehen wesentliche Unterschiede. Dazu zählen unter anderem tatsächliche Latenzen, Speicherzugriffe, Datenübertragungen, Genauigkeitsverluste, Parallelisierungsgrenzen und der Energieverbrauch der gesamten Systemumgebung. Für belastbare Wirtschaftlichkeitsentscheidungen müssen diese Faktoren auf dem Zielsystem bewertet werden.

Für die B2B-Praxis ergibt sich daraus ein mehrstufiger Evaluierungsprozess:

- Zunächst wird der relevante Geschäftsprozess oder KI-Workload identifiziert. - Anschließend wird geprüft, ob sich die benötigten Rechenoperationen mit dem SDK abbilden lassen. - Danach erfolgt die funktionale Entwicklung und Simulation auf einer Standard-CPU. - In einem weiteren Schritt werden die Ergebnisse auf photonischer Hardware validiert. - Erst danach lassen sich Aussagen zu Leistung, Energieeffizienz, Skalierbarkeit und Gesamtbetriebskosten treffen.

Photonisches Rechnen als Alternative zu elektronischen Datenpfaden

Die technologische Grundlage photonischer Prozessoren ist die Nutzung optischer Signale für bestimmte Rechenoperationen. Licht kann sich durch geeignete Strukturen mit hoher Geschwindigkeit ausbreiten und mehrere Signale parallel übertragen. In integrierten photonischen Schaltungen lassen sich dadurch beispielsweise Multiplikationen, Summationen und Transformationen in optischen Bauelementen ausführen.

Ein wesentlicher Vorteil kann darin liegen, dass Daten nicht für jede Operation zwischen verschiedenen elektronischen Komponenten hin- und herbewegt werden müssen. Bei klassischen Computersystemen entsteht ein erheblicher Teil des Energieverbrauchs nicht allein durch die Rechenoperation, sondern durch den Transport von Daten zwischen Speicher, Prozessor und Beschleuniger. Dieser sogenannte Speicher- und Kommunikationsaufwand nimmt bei großen KI-Modellen und umfangreichen Datenmengen stark zu.

Photonische Architekturen setzen an diesem Punkt an, indem sie bestimmte Berechnungen direkt im optischen Signalverlauf durchführen. Je nach konkreter Implementierung können mehrere Rechenoperationen parallel verarbeitet werden. Das macht photonische Systeme insbesondere für Aufgaben interessant, die sich auf strukturierte mathematische Operationen reduzieren lassen.

Q.ANT beschreibt seine Native Processing Units als Prozessoren, die mit Licht statt mit Elektronen rechnen. Nach Angaben des Unternehmens können die Chips zudem nichtlineare Funktionen nativ ausführen. In klassischen neuronalen Netzen werden solche Funktionen in der Regel durch elektronische Schaltungen und digitale Rechenoperationen abgebildet. Eine native optische Umsetzung könnte den Rechenaufwand bei bestimmten Modellarchitekturen verringern.

Allerdings ist die Bezeichnung „Rechnen mit Licht“ nicht mit einem vollständig optischen Computersystem gleichzusetzen. In der Praxis bestehen photonische Rechner typischerweise aus einer Kombination optischer und elektronischer Komponenten. Daten müssen häufig in optische Signale umgewandelt, verarbeitet und anschließend wieder elektronisch ausgelesen werden. Für die Gesamtbilanz ist deshalb nicht nur der optische Rechenkern maßgeblich, sondern das Zusammenspiel aus Ein- und Ausgabe, Speicher, Steuerung, Kühlung und Netzwerkanbindung.

Potenzial für KI-Anwendungen und High Performance Computing

Das größte Einsatzpotenzial photonischer Beschleuniger wird derzeit bei rechenintensiven KI- und High-Performance-Computing-Anwendungen gesehen. Dazu zählen beispielsweise Inferenzaufgaben, Optimierungsprobleme, Signalverarbeitung, wissenschaftliche Simulationen und bestimmte Verfahren des maschinellen Lernens.

Die mit dem SDK veröffentlichten Beispiele sollen zeigen, wie sich klassische und photonisch ausgerichtete neuronale Netze unterscheiden. Nach Angaben des Unternehmens werden dabei unter anderem Parameterzahl, Genauigkeit, Funktionsapproximation und Trainingsverlust betrachtet. Solche Vergleiche können verdeutlichen, ob ein Modell mit weniger Parametern ähnliche oder bessere Ergebnisse erzielen kann.

Für Unternehmen ist dabei zwischen Training und Inferenz zu unterscheiden. Das Training großer Modelle erfordert umfangreiche Datenbewegungen und wiederholte Rechenoperationen. Es ist daher grundsätzlich ein Bereich, in dem Beschleunigertechnologien ansetzen können. Die Inferenz, also die Anwendung eines trainierten Modells auf neue Daten, stellt dagegen häufig andere Anforderungen an Latenz, Durchsatz und Energieverbrauch.

Photonische Systeme könnten insbesondere dann interessant sein, wenn viele ähnliche mathematische Operationen parallel ausgeführt werden müssen. Denkbar sind etwa industrielle Bildverarbeitung, Sensorfusion, Echtzeit-Analyse von Messdaten oder die Verarbeitung großer Datenströme. In solchen Szenarien kann eine niedrigere Latenz oder ein geringerer Energieverbrauch wirtschaftlich relevant sein.

Ob ein konkreter Anwendungsfall geeignet ist, lässt sich jedoch nicht allein anhand allgemeiner Angaben zur Rechenleistung beurteilen. Entscheidend sind das Modell, die Datenformate, die erforderliche Präzision, die Größe der Datenmengen und die Kommunikation mit anderen Systemkomponenten.

Leistungs- und Effizienzangaben müssen im Kontext bewertet werden

Q.ANT nennt für seinen Native Processing Server eine bis zu 30-fach höhere Energieeffizienz und eine bis zu 50-fache Leistungssteigerung auf Anwendungsebene. Diese Angaben stammen vom Unternehmen und beziehen sich auf bestimmte Einsatzbedingungen. Sie sind daher nicht ohne Weiteres auf sämtliche KI-Anwendungen oder Rechenzentrumsumgebungen übertragbar.

Für eine sachgerechte Bewertung müssen mehrere Vergleichsebenen berücksichtigt werden. Dazu gehören:

- Die Definition der verwendeten Leistungskennzahl - Der Vergleichsprozessor und dessen Konfiguration - Die Genauigkeit der Berechnung, etwa 8, 16 oder 32 Bit - Die Ein- und Ausgabezeiten - Der Aufwand für Datenkonvertierung und Speicherzugriffe - Die Auslastung des Systems im Dauerbetrieb - Der Energieverbrauch von Kühlung, Steuerung und Netzwerk - Die Kosten für Hardware, Software, Wartung und Integration

Eine hohe Rechenleistung des optischen Kerns führt nicht automatisch zu einer entsprechend hohen Leistung der Gesamtanwendung. Wenn Daten häufig zwischen elektronischen und optischen Komponenten übertragen werden müssen, kann dieser Aufwand einen Teil des Vorteils aufzehren. Ebenso können nicht alle Modelloperationen gleichermaßen photonisch verarbeitet werden.

Für Einkaufs- und Technologieverantwortliche empfiehlt sich deshalb, Herstellerangaben durch eigene Tests oder unabhängige Benchmarks zu ergänzen. Besonders aussagekräftig sind Messungen mit realen Unternehmensdaten und produktionsnahen Workloads. Synthetische Tests können die technischen Möglichkeiten zeigen, bilden aber nicht zwangsläufig die tatsächlichen Bedingungen in einem Rechenzentrum ab.

Open Source als Instrument für ein neues Ökosystem

Die Veröffentlichung unter einer offenen Lizenz kann den Aufbau eines Ökosystems rund um photonische Prozessoren beschleunigen. Forschungseinrichtungen, Hochschulen, unabhängige Entwickler und Unternehmen erhalten die Möglichkeit, Anwendungen zu untersuchen und eigene Beiträge zu entwickeln. Für einen jungen Hardwaremarkt ist das relevant, weil die Verfügbarkeit von Software häufig über die Akzeptanz einer Plattform entscheidet.

Ein offenes SDK kann zudem die Transparenz erhöhen. Entwickler können nachvollziehen, wie Schnittstellen funktionieren, eigene Tests durchführen und die Software an ihre Umgebung anpassen. Das ist insbesondere für Unternehmen wichtig, die langfristige Abhängigkeiten von einzelnen Anbietern vermeiden oder ihre Anwendungen in bestehende Plattformen integrieren möchten.

Mit der Offenheit entstehen jedoch auch Anforderungen an die Qualitätssicherung. Entscheidend sind eine verlässliche Pflege des Codes, nachvollziehbare Versionsänderungen, Sicherheitsprüfungen und eine dauerhaft erreichbare Dokumentation. Für den produktiven Einsatz muss außerdem geklärt werden, welche Komponenten von der Open-Source-Lizenz abgedeckt sind und welche Funktionen an proprietäre Hardware oder kommerzielle Dienste gebunden bleiben.

Die Open-Source-Verfügbarkeit des SDKs bedeutet daher nicht automatisch, dass die gesamte photonische Infrastruktur frei zugänglich oder kostenlos nutzbar ist. Das Toolkit kann zwar auf Standardcomputern eingesetzt werden. Für die Ausführung auf realer Hardware können jedoch zusätzliche Zugangsmodelle, Verträge oder Infrastrukturkosten anfallen.

Der Weg von der lokalen Entwicklung zur Hardware

Nach den vorliegenden Informationen soll der Zugang zu Q.ANT-Hardware in den kommenden Monaten über mehrere Wege ausgebaut werden. Genannt werden Cloud-Angebote in Zusammenarbeit mit IONOS sowie On-Premise-Installationen über den Native Processing Server. Systeme von Q.ANT laufen den Angaben zufolge bereits im Leibniz-Rechenzentrum in München und im Jülicher Supercomputing Centre.

Cloud-Zugänge können den Einstieg für Unternehmen erleichtern, die keine eigene Spezialhardware betreiben möchten. Sie ermöglichen es, Anwendungen zunächst bedarfsgerecht zu testen und die Nutzung bei steigendem Bedarf zu skalieren. Gleichzeitig müssen Fragen zu Datenschutz, Datenübertragung, Verfügbarkeit, Service-Leveln und regulatorischen Anforderungen beantwortet werden.

On-Premise-Systeme bieten dagegen mehr Kontrolle über Daten und Betriebsumgebung. Sie können für Unternehmen mit hohen Anforderungen an Datenschutz, Latenz oder lokale Verarbeitung interessant sein. Dem stehen höhere Investitions- und Betriebsaufwände gegenüber. Dazu gehören die Integration in bestehende Rechenzentren, die Wartung, die Auslastungsplanung und die Qualifikation des IT-Personals.

Für beide Betriebsmodelle bleibt die Softwareintegration ein zentraler Faktor. Ein SDK muss sich in vorhandene Entwicklungsprozesse, Versionskontrolle, Testautomatisierung und Bereitstellungspipelines einfügen lassen. Unternehmen sollten daher nicht nur die Rechenleistung, sondern auch die Qualität der Entwicklerwerkzeuge und die Anschlussfähigkeit an bestehende MLOps- und DevOps-Strukturen prüfen.

Welche Fragen Unternehmen jetzt klären sollten

Das neue SDK schafft eine Möglichkeit, photonisches Computing mit überschaubarem Aufwand zu evaluieren. Für eine strukturierte Prüfung sollten Unternehmen jedoch zunächst ihre eigenen Anforderungen analysieren. Nicht jeder KI-Workload profitiert von einem spezialisierten Beschleuniger, und nicht jede Anwendung lässt sich ohne Anpassungen auf eine neue Rechenarchitektur übertragen.

Folgende Fragen sind für eine erste Bewertung besonders relevant:

- Welche KI- oder HPC-Anwendungen verursachen derzeit den größten Rechen- und Energieaufwand? - Sind die verwendeten Operationen für eine photonische Verarbeitung geeignet? - Welche Genauigkeit ist für die Anwendung erforderlich? - Wie groß ist der Anteil der Datenübertragung am Gesamtaufwand? - Gibt es harte Anforderungen an Latenz, Durchsatz oder Echtzeitfähigkeit? - Kann das bestehende Entwicklerteam C, C++ oder Python in den vorgesehenen Workflows einsetzen? - Welche Daten dürfen in eine Cloud-Umgebung übertragen werden? - Ist ein On-Premise-Betrieb wirtschaftlich und organisatorisch realistisch? - Welche unabhängigen Benchmarks und Referenzprojekte liegen für den eigenen Anwendungsfall vor? - Wie sehen Support, Wartung und Weiterentwicklung der Plattform aus?

Ein sinnvoller Einstieg kann ein begrenztes Pilotprojekt sein. Dabei sollte ein klar abgegrenzter Workload ausgewählt werden, dessen aktuelle Kosten und Leistungswerte bekannt sind. Das Pilotprojekt sollte nicht nur die reine Rechenzeit messen, sondern den gesamten Ablauf vom Datenimport bis zur Ergebnisbereitstellung. Nur so lässt sich feststellen, ob ein photonischer Beschleuniger einen praktischen Vorteil für den Geschäftsprozess bietet.

Grenzen und offene Fragen

Photonisches Computing befindet sich trotz wichtiger Fortschritte weiterhin in einer frühen Phase der industriellen Verbreitung. Offene Fragen betreffen unter anderem die Skalierbarkeit, die Fertigung, die Programmiermodelle, die Standardisierung und die langfristige Verfügbarkeit von Hardware.

Eine weitere Herausforderung ist die Übertragbarkeit bestehender KI-Modelle. Viele heutige Modelle wurden für GPUs oder andere digitale Beschleuniger optimiert. Ihre direkte Ausführung auf photonischer Hardware kann Anpassungen an der Modellstruktur, der Präzision oder der Datenvorverarbeitung erfordern. Die Entwicklung photonisch nativer Modelle könnte zwar zusätzliche Effizienzgewinne ermöglichen, erhöht aber zugleich den Entwicklungsaufwand.

Auch die Fehler- und Genauigkeitscharakteristik muss berücksichtigt werden. Optische Systeme können empfindlich auf Fertigungstoleranzen, Signalrauschen und Kalibrierungsfragen reagieren. Je nach Anwendung kann eine geringere numerische Präzision akzeptabel sein oder eine zusätzliche Korrektur durch elektronische Komponenten erforderlich werden.

Schließlich ist die Nachhaltigkeitsbilanz über den gesamten Lebenszyklus zu betrachten. Ein niedriger Energieverbrauch während der Berechnung ist ein wichtiger Faktor, reicht für eine umfassende Bewertung aber nicht aus. Herstellung, Austauschbarkeit, Kühlung, Netzanbindung und Auslastung der Hardware beeinflussen ebenfalls die Umwelt- und Kostenbilanz.

Einordnung für den KI-Markt

Die Veröffentlichung des SDKs ist ein Schritt, um photonische Rechenhardware aus einem Forschungs- und Spezialistenumfeld näher an die allgemeine Softwareentwicklung heranzuführen. Der Zugang über vertraute Programmiersprachen, Beispiele und Simulation kann die Zahl potenzieller Nutzer erhöhen. Das gilt insbesondere für Unternehmen, die neue Beschleunigertechnologien zunächst mit begrenztem Risiko untersuchen möchten.

Für den breiteren KI-Markt dürfte entscheidend sein, ob aus der technischen Zugänglichkeit ein belastbarer wirtschaftlicher Nutzen entsteht. Dafür müssen photonische Systeme in vorhandene Rechenzentrumsarchitekturen, Datenpipelines und Softwareplattformen integrierbar sein. Ebenso wichtig sind reproduzierbare Benchmarks, verfügbare Hardwarekapazitäten und eine langfristig planbare Produktstrategie.

Das SDK liefert somit vor allem eine Grundlage für Erprobung und Entwicklung. Es ersetzt nicht die technische und wirtschaftliche Prüfung des jeweiligen Einsatzfalls. Unternehmen können jedoch früher als bisher untersuchen, ob photonische Verarbeitung für ihre Anwendungen infrage kommt und welche Anpassungen dafür notwendig wären.

Ausblick: Von der Forschung zur praktischen Anwendung

Die weitere Entwicklung wird davon abhängen, wie schnell sich Software, Hardware und Geschäftsmodelle gegenseitig verstärken. Je mehr Entwickler Anwendungen für photonische Prozessoren erstellen, desto größer wird der Druck, Schnittstellen zu standardisieren und Werkzeuge zu verbessern. Je leichter der Hardwarezugang wird, desto schneller können Unternehmen reale Leistungsdaten sammeln.

Für die kommenden Jahre sind insbesondere drei Entwicklungen relevant. Erstens muss sich zeigen, welche Anwendungsbereiche dauerhaft von photonischen Beschleunigern profitieren. Zweitens wird die Integration in Cloud- und Rechenzentrumsumgebungen darüber entscheiden, wie niedrig die Zugangshürden für Unternehmen tatsächlich werden. Drittens braucht der Markt unabhängige Vergleichswerte, die Leistungsfähigkeit und Energieverbrauch unter nachvollziehbaren Bedingungen gegenüberstellen.

Für Unternehmen, die ihre KI-Infrastruktur langfristig planen, kann das Open-Source-SDK ein Anlass sein, photonisches Computing in Technologie-Roadmaps und Innovationsprogramme aufzunehmen. Eine unmittelbare Ablösung etablierter Beschleuniger ist daraus jedoch nicht abzuleiten. Wahrscheinlicher ist zunächst ein hybrider Einsatz, bei dem photonische Prozessoren bestimmte Teilaufgaben übernehmen und mit klassischen CPUs, GPUs oder anderen Spezialchips zusammenarbeiten.

Die Entwicklung zeigt zugleich, dass der Wettbewerb um energieeffiziente KI nicht allein über größere Chips und mehr Transistoren geführt wird. Alternative Rechenprinzipien, neue Speicher- und Verbindungstechnologien sowie spezialisierte Softwaremodelle gewinnen an Bedeutung. Für die Anwenderseite wird damit die Fähigkeit wichtiger, unterschiedliche Architekturen anhand konkreter Workloads zu vergleichen und nicht nur nach theoretischen Spitzenwerten zu beurteilen.

Das von Q.ANT veröffentlichte SDK schafft für diese Bewertung einen niedrigeren Einstieg. Ob daraus ein breites industrielles Ökosystem entsteht, wird sich an der Qualität der Werkzeuge, der Verfügbarkeit der Hardware und den Ergebnissen realer Anwendungen zeigen.

Quellen Q.ANT: „Q.ANT launcht weltweit erstes Open-Source Software Development Kit (SDK) für photonisches Computing“, 23. September 2026. https://qant.com/de/pressemitteilung/q-ant-launcht-weltweit-erstes-open-source-software-development-kit-sdk-fuer-photonisches-computing/ Q.ANT: „Q.ANT Launches World First Open-Source SDK for Photonic Computing“, 23. September 2026. https://qant.com/press-releases/q-ant-launches-world-first-open-source-sdk-for-photonic-computing/ heise online, Manuel Masiero: „Photonisches Computing: Open-Source-SDK für energieeffiziente KI-Anwendungen“, 25. September 2026. https://www.heise.de/news/Photonisches-Computing-Open-Source-SDK-fuer-energieeffiziente-KI-Anwendungen-11464372.html Elektronikpraxis, Hendrik Härter: „Ein SDK für photonische KI-Beschleuniger vorgestellt“, 23. September 2026. https://www.elektronikpraxis.de/ein-sdk-fuer-photonische-ki-beschleuniger-vorgestellt-a-ec9beb4d66c86ce6c7c796cad565e57c/ Q.ANT: „Der photonische KI-Beschleuniger“. https://qant.com/de/photonic_computing/ Q.ANT: „Photonic Computing für effiziente KI und HPC“. https://qant.com/de/ The Quantum Insider, Mohib Ur Rehman: „Q.ANT Launches Open-Source SDK for Photonic Computing“, 23. September 2026. https://thequantuminsider.com/2026/09/23/q-ant-open-source-sdk-photonic-computing/