tecnología, inteligencia artificial, computación fotónica
 |
| Los ingenieros de Penn han creado el primer chip fotónico programable capaz de entrenar redes neuronales no lineales mediante luz, lo que podría revolucionar la IA al hacerla más rápida y eficiente energéticamente. A diferencia de los chips electrónicos tradicionales, este nuevo chip transforma la luz para realizar cálculos complejos, lo que permite el aprendizaje en tiempo real y supone un gran avance hacia las computadoras totalmente alimentadas por luz. |
Un innovador chip alimentado por luz acelera el entrenamiento de la IA y reduce el consumo de energía
03 mayo 2025.- Los ingenieros de Penn han desarrollado el primer chip programable capaz de entrenar redes neuronales no lineales utilizando luz, un gran avance que podría acelerar significativamente el entrenamiento de la IA, reducir el consumo de energía y potencialmente conducir a sistemas informáticos totalmente alimentados por luz.
A diferencia de los chips de IA convencionales que dependen de la electricidad, este nuevo chip es fotónico, lo que significa que realiza cálculos mediante rayos de luz. Publicada en Nature Photonics , la investigación demuestra cómo el chip manipula la luz para ejecutar las complejas operaciones no lineales esenciales para la inteligencia artificial moderna .
“Las funciones no lineales son cruciales para el entrenamiento de redes neuronales profundas”, explica Liang Feng, profesor de Ciencia e Ingeniería de Materiales e Ingeniería Eléctrica y de Sistemas, y autor principal del estudio. “Nuestro objetivo era lograr esto por primera vez en fotónica”.
La mayoría de los sistemas de IA actuales dependen de redes neuronales, software diseñado para imitar el tejido neuronal biológico. Así como las neuronas se conectan para que las criaturas biológicas puedan pensar, las redes neuronales conectan capas de unidades simples, o "nodos", lo que permite a los sistemas de IA realizar tareas complejas.
En los sistemas tanto artificiales como biológicos, estos nodos solo se “activan” una vez que se alcanza un umbral: un proceso no lineal que permite que pequeños cambios en la entrada provoquen cambios más grandes y complejos en la salida.
Sin esa no linealidad, agregar capas no hace nada: el sistema simplemente se reduce a una operación lineal de una sola capa, donde las entradas simplemente se suman y no se produce ningún aprendizaje real.
Si bien muchos equipos de investigación, incluidos los equipos de Penn Engineering, han desarrollado chips alimentados por luz capaces de manejar operaciones matemáticas lineales, ninguno ha resuelto el desafío de representar funciones no lineales utilizando solo luz, hasta ahora.
Remodelando la luz con la luz
El avance del equipo comienza con un material semiconductor especial que responde a la luz. Cuando un haz de luz de "señal" (que transporta los datos de entrada) atraviesa el material, un segundo haz de "bombeo" ilumina desde arriba, ajustando la reacción del material.
Al cambiar la forma y la intensidad del haz de bombeo, el equipo puede controlar cómo se absorbe, transmite o amplifica la luz de la señal, según su intensidad y el comportamiento del material. Este proceso "programa" el chip para realizar diferentes funciones no lineales.
"No modificamos la estructura del chip", afirma Feng. "Usamos la propia luz para crear patrones dentro del material, lo que a su vez modifica la forma en que la luz se mueve a través de él".
El resultado es un sistema reconfigurable que puede expresar una amplia gama de funciones matemáticas según el patrón de bombeo. Esta flexibilidad permite que el chip aprenda en tiempo real, ajustando su comportamiento según la retroalimentación de su salida.
Entrenamiento a la velocidad de la luz
Para probar el potencial del chip, el equipo lo utilizó para resolver problemas de IA de referencia. La plataforma logró una precisión superior al 97 % en una tarea simple de límite de decisión no lineal y superior al 96 % en el conocido conjunto de datos de flores de iris, un estándar de aprendizaje automático .
En ambos casos, el chip fotónico igualó o superó a las redes neuronales digitales tradicionales, pero utilizó menos operaciones y no necesitó componentes electrónicos que consumieran mucha energía.
En un resultado sorprendente, tan solo cuatro conexiones ópticas no lineales en el chip equivalieron a 20 conexiones electrónicas lineales con funciones de activación no lineales fijas en un modelo tradicional. Esta eficiencia es un indicio de lo que es posible a medida que la arquitectura escala.
A diferencia de los sistemas fotónicos anteriores, que se fijan tras la fabricación, el chip Penn comienza como un lienzo en blanco. La luz de bombeo actúa como un pincel, dibujando instrucciones reprogramables en el material.
“Esta es una verdadera prueba de concepto para una computadora fotónica programable en campo”, afirma Feng. “Es un paso hacia un futuro donde podremos entrenar IA a la velocidad de la luz”.
Direcciones futuras
Si bien el trabajo actual se centra en polinomios —una familia flexible de funciones ampliamente utilizada en el aprendizaje automático—, el equipo cree que su enfoque podría permitir operaciones aún más potentes en el futuro, como funciones exponenciales o inversas. Esto allanaría el camino para sistemas fotónicos que aborden tareas a gran escala, como el entrenamiento de grandes modelos lingüísticos.
Al reemplazar la electrónica que genera calor por componentes ópticos de bajo consumo energético, la plataforma también promete reducir drásticamente el consumo de energía en los centros de datos de IA, transformando potencialmente la economía del aprendizaje automático.
Este podría ser el inicio de la computación fotónica como una alternativa seria a la electrónica. Penn es la cuna de ENIAC, la primera computadora digital del mundo; este chip podría ser el primer paso real hacia un ENIAC fotónico.
Fuente: “Field-programmable photonic nonlinearity” by Tianwei Wu, Yankun Li, Li Ge and Liang Feng, 15 April 2025, Nature Photonics. DOI: 10.1038/s41566-025-01660-x
COMENTARIOS