Calcolo in memoria ottico a libero spazio ad alta frequenza di clock

Perché questo conta per la tecnologia intelligente di tutti i giorni

Dalle auto a guida autonoma e i droni di consegna al trading ad alta velocità e alla chirurgia remota, sempre più decisioni devono essere prese in frazioni di secondo, spesso lontano dai grandi data center. L'elettronica odierna fatica a stare al passo senza surriscaldarsi o consumare rapidamente le batterie. Questo articolo presenta un nuovo tipo di motore di calcolo basato sulla luce in grado di svolgere compiti chiave dell'intelligenza artificiale estremamente velocemente e con basso consumo energetico, potenzialmente trasformando il funzionamento dei dispositivi intelligenti al “perimetro” della rete.

Trasformare la luce in un calcolatore

L'IA moderna si basa pesantemente su un'operazione fondamentale: moltiplicare e sommare grandi matrici di numeri, simile a far scorrere ripetutamente un piccolo stencil su un'immagine e sommare ciò che si trova. Farlo con elettroni sui chip è potente ma inefficiente, perché i dati devono essere continuamente spostati tra memoria e processori. I ricercatori invece costruiscono un sistema chiamato FAST-ONN che lascia alla luce gran parte del lavoro nell'aria. Usano minuscoli laser a semiconduttore disposti in una griglia ordinata per codificare i pixel dell'immagine come intensità luminosa, quindi fanno viaggiare quei fasci attraverso componenti ottici che applicano direttamente nello spazio i “pesi” di una rete neurale, prima che i fasci raggiungano sensori di luce che riconvertono i risultati in segnali elettrici.

Come è costruito il motore ottico

Al centro del sistema c'è una densa matrice di microscopici laser noti come VCSEL (vertical-cavity surface-emitting lasers). Ogni dispositivo in una griglia 5×5 rappresenta un pixel di una piccola porzione di immagine e può essere commutato a velocità gigahertz—miliardi di volte al secondo. Un elemento di vetro con un motivo divide questa griglia di fasci in copie multiple, così lo stesso patch può essere elaborato in parallelo da diversi filtri. Un modulatore spaziale della luce programmabile, simile nel concetto a un display ad alta risoluzione, funge da memoria in cui sono immagazzinati i valori dei filtri: i suoi milioni di minuscoli pixel attenuano o lasciano passare la luce per rappresentare un peso della rete neurale. I fasci poi convergono su rivelatori accoppiati a fibre che sommano la luce per ogni filtro, completando in pratica un insieme di operazioni di convoluzione in un unico passo ottico.

Gestire contributi “positivi” e “negativi”

I modelli di IA non devono solo rinforzare certi pattern; devono anche sopprimerne altri, il che richiede pesi sia positivi sia negativi. Poiché l'intensità della luce non può essere negativa, questo è da tempo una sfida per il calcolo puramente ottico. Gli autori la risolvono dividendo la luce in un percorso di segnale che trasporta i fasci pesati e in un percorso di riferimento che resta non pesato. Entrambi sono inviati a rivelatori accoppiati speciali che sottraggono l'uno dall'altro, così una minore quantità di luce può rappresentare un contributo negativo. Questa intelligente lettura differenziale permette all'hardware ottico di imitare il comportamento completo delle reti neurali standard mantenendo robustezza rispetto al rumore e a piccole imperfezioni nei dispositivi.

Mettere il sistema alla prova

Per dimostrare che FAST-ONN non è solo una dimostrazione di fisica, il team lo collega a compiti di riconoscimento realistici. Collegano il motore ottico a una rete visiva standard addestrata sul dataset di immagini COCO, ampiamente usato per testare il rilevamento di oggetti. In un esperimento che riproduce uno scenario di guida autonoma, regioni ritagliate di scene di traffico vengono analizzate per decidere se ciascuna contiene un veicolo. Lo strato di convoluzione più esigente viene affidato all'hardware ottico, mentre i restanti passaggi vengono eseguiti in digitale. Le versioni ottica e puramente elettronica del modello concordano da vicino, ottenendo prestazioni quasi identiche nel distinguere automobili dal rumore di fondo. Dimostrano inoltre classificazione di cifre scritte a mano e di capi d'abbigliamento, e persino l'addestramento in cui il sistema ottico calcola le forward pass mentre un computer aggiorna i pesi, che vengono poi ricaricati nel modulatore di luce.

Velocità, efficienza e cosa verrà dopo

Nella sua forma attuale, il prototipo elabora 100 milioni di piccoli patch d'immagine al secondo usando laser 5×5 e nove filtri contemporaneamente, raggiungendo già quasi un miliardo di operazioni di convoluzione al secondo con tempi decisionali dell'ordine dei microsecondi. Analisi dettagliate suggeriscono che, usando matrici più grandi e laser commerciali più veloci, questo approccio potrebbe scalare per eseguire decine di migliaia di miliardi di operazioni al secondo consumando molto meno energia rispetto ai principali acceleratori elettronici. Poiché i componenti chiave sono compatti e producibili in massa, FAST-ONN potrebbe infine abilitare piccoli coprocessori ottici a basso consumo all'interno di fotocamere, droni e altri dispositivi edge, permettendo loro di “pensare con la luce” e rispondere al mondo quasi con la stessa rapidità con cui questo cambia.

Citazione: Liang, Y., Wang, J., Xue, K. et al. High-clockrate free-space optical in-memory computing. Light Sci Appl 15, 115 (2026). https://doi.org/10.1038/s41377-026-02206-8

Parole chiave: reti neurali ottiche, hardware AI per l'edge, matrici VCSEL, calcolo in memoria, convoluzione ad alta velocità