Processore fotonico per matrici-matrici a singolo colpo basato su diffrazione ipermultiplexata spaziale-spettrale parallela

Perché un calcolo più veloce e più verde è importante

Ogni volta che facciamo una domanda a un assistente digitale o scorriamo i social, potenti modelli di intelligenza artificiale lavorano dietro le quinte. Questi modelli stanno diventando così grandi che i normali chip elettronici faticano a tenere il passo senza consumare enormi quantità di energia. Questo articolo descrive un nuovo tipo di hardware di calcolo che usa la luce anziché l'elettricità per eseguire calcoli chiave per l'IA, con l'obiettivo di rendere le macchine future sia più veloci sia molto più efficienti dal punto di vista energetico.

Trasformare la luce in una calcolatrice

L'IA moderna si basa su operazioni chiamate moltiplicazioni di matrici, ripetute miliardi o trilioni di volte quando una rete neurale analizza immagini o testo. I chip elettronici svolgono questo lavoro in modo affidabile ma sprechiano molta energia semplicemente spostando dati avanti e indietro all'interno del chip. I ricercatori di questo studio partono da un'idea diversa: lasciar fare i calcoli alla luce stessa. In una rete neurale ottica, l'informazione è codificata in fasci laser, manipolata mentre i fasci attraversano lenti e modulatori, e poi letta da sensori ottici. Poiché i fotoni non riscaldano i conduttori come fanno gli elettroni, tali sistemi possono, in linea di principio, raggiungere velocità ed efficienze molto superiori.

Eseguire molti calcoli in un unico passaggio

La maggior parte delle reti neurali ottiche esistenti ha una limitazione: possono gestire solo un numero modesto di calcoli in parallelo, oppure diventano troppo complesse per scalare. Questo lavoro introduce un processore fotonico per matrici–matrici “a singolo colpo” che aumenta drasticamente quante operazioni possono essere eseguite simultaneamente. L'idea chiave è impacchettare l'informazione in tre aspetti della luce contemporaneamente: la sua posizione nello spazio, il suo colore (lunghezza d'onda) e il suo tempo. Disposizione accurata di queste dimensioni permette al dispositivo di eseguire una moltiplicazione completa matrice–matrice, che coinvolge migliaia di operazioni di moltiplica-e-accumula, in un unico passaggio della luce attraverso il sistema.

Un reticolo di diffrazione come vigile del traffico per la luce

Al centro del progetto c'è un elemento ottico semplice ma potente: un reticolo di diffrazione, che separa la luce in angoli diversi a seconda del colore. Il team utilizza un sistema di reticoli tridimensionali appositamente organizzato come un vigile del traffico, instradando molti fasci colorati provenienti da molteplici canali di ingresso verso canali di uscita riorganizzati. I dati da elaborare sono codificati come intensità luminose su un insieme di modulatori, mentre i “pesi” della rete neurale sono codificati su un altro insieme. Quando i fasci si incontrano e attraversano il reticolo, i loro percorsi vengono riorganizzati in modo che ogni canale di uscita sommi naturalmente le combinazioni corrette di dati e pesi. I rivelatori che integrano nel tempo accumulano poi i contributi su diversi brevi istanti, estendendo effettivamente la dimensione del calcolo senza aggiungere complessità ottica.

Dal banco di laboratorio ai compiti reali di IA

Gli autori dimostrano un processore tensoriale ottico 16-by-16-by-16-by-16, ossia in grado di moltiplicare una matrice 16×16 per un'altra 16×16 in un singolo “colpo” ottico, realizzando 4096 operazioni di base contemporaneamente. Il sistema opera a frequenze di clock multi-gigahertz e raggiunge una precisione di calcolo effettiva superiore a otto bit, comparabile a molti acceleratori IA pratici. Per dimostrare che non si tratta solo di una prova di principio fisica, usano il processore per eseguire parti di una piccola pipeline di riconoscimento delle immagini: una rete neurale convoluzionale che estrae caratteristiche da immagini di cifre, seguita da una rete completamente connessa che le classifica. Anche con rumore ottico e imperfezioni hardware, la configurazione riconosce correttamente le cifre scritte a mano con circa il 96% di accuratezza, vicino a un'implementazione totalmente digitale dello stesso modello.

Consumo energetico, sensibilità e fino a dove si può scalare

Poiché l'architettura riutilizza gli stessi componenti ottici su molti canali paralleli e accumula i segnali in modo efficiente, ogni operazione di base può essere eseguita con un'energia estremamente bassa—fino a decine di attojoule di energia ottica per moltiplicazione. Gli autori stimano un'efficienza energetica complessiva già superiore ad alcuni acceleratori IA elettronici all’avanguardia, e sostengono che miglioramenti modesti nei modulatori e nei convertitori digitale-analogico potrebbero spingere questa cifra nelle centinaia di trilioni di operazioni al secondo per watt. È importante sottolineare che il progetto evita alcuni dei colli di bottiglia di scala che affliggono altri schemi ottici, quindi versioni più grandi con molti più canali (per esempio array 30×30 o anche 60×60) sembrano fattibili usando componenti simili.

Cosa significa per la tecnologia di tutti i giorni

In termini semplici, questa ricerca mostra che una configurazione ottica relativamente semplice—un modo intelligente di instradare fasci di luce colorata attraverso un reticolo di diffrazione—può funzionare come un motore potente e a bassa energia per calcoli in stile IA. Sebbene si tratti ancora di un prototipo da laboratorio, apre la strada a futuri data center e dispositivi edge in cui processori basati sulla luce gestiscono i carichi di lavoro più pesanti delle reti neurali, riducendo i costi energetici e permettendo modelli più grandi e più veloci. Se tali processori tensoriali fotonici potranno essere integrati e prodotti su vasta scala, potrebbero diventare un ingrediente chiave nella prossima generazione di hardware per intelligenza artificiale ad alte prestazioni e a basso consumo energetico.

Citazione: Luan, C., Davis III, R., Chen, Z. et al. Single-shot matrix-matrix photonic processor based on spatial-spectral hypermultiplexed parallel diffraction. Nat Commun 17, 484 (2026). https://doi.org/10.1038/s41467-026-68452-x

Parole chiave: reti neurali ottiche, calcolo fotonico, moltiplicazione di matrici, hardware AI a bassa energia, reticolo di diffrazione