Calcolo fotonico neuromorfico con una memoria analogica elettro-ottica

Perché contano cervelli AI più veloci e snelli

L’intelligenza artificiale odierna gira su chip che consumano molta energia, costretti a spostare continuamente dati tra memoria e processori. Questo ingorgo spreca energia e rallenta i calcoli, soprattutto man mano che i modelli AI diventano più grandi e complessi. La ricerca presentata in questo articolo introduce un nuovo tipo di circuito di calcolo basato sulla luce con una memoria analogica integrata, progettato per ridurre drasticamente questi spostamenti di dati e rendere l’hardware AI futuro sia più veloce sia molto più efficiente dal punto di vista energetico.

La luce come nuovo modo di calcolare

Invece di affidarsi solo agli elettroni nei fili metallici, i processori fotonici neuromorfici usano impulsi di luce per trasportare e combinare informazioni, imitando il flusso di segnali nelle reti neuronali. La luce può viaggiare contemporaneamente in molte lunghezze d’onda lungo lo stesso percorso, consentendo un’enorme parallelizzazione e latenze estremamente basse. Questo rende i chip fotonici particolarmente adatti alle pesanti operazioni di “moltiplica e somma” che dominano le reti neurali. Tuttavia, la maggior parte dei processori fotonici esistenti usa “pesi” fissi che devono essere addestrati altrove su hardware digitale e poi trasferiti. Ciò limita la loro adattabilità e lascia un grande onere sulle memorie convenzionali e sui circuiti di conversione.

Portare la memoria vicino alla luce

Gli autori affrontano il problema aggiungendo una semplice memoria analogica compatibile con i processi di produzione direttamente accanto a ogni piccolo dispositivo ottico che rappresenta un peso di rete neurale. Il loro elemento chiave è una memoria analogica elettro-ottica dinamica (DEOAM): un condensatore ordinario collegato a un microscopico anello di silicio che guida la luce in un circuito. Una piccola tensione immagazzinata sul condensatore modifica leggermente l’interazione dell’anello con la luce che lo attraversa, impostando di fatto la forza di una connessione neurale. Poiché il condensatore può mantenere questa tensione per un intervallo di tempo breve, non è più necessario che convertitori digitale‑analogico specializzati pilotino ogni anello continuamente. Al contrario, un numero molto più ridotto di convertitori può aggiornare molti anelli in sequenza, mentre la memoria analogica mantiene i valori programmati.

Come funziona il chip prototipo

Il team ha realizzato un circuito fotonico neuromorfico su una piattaforma commerciale in silicio a 90 nanometri, combinando elettronica standard e nanofotonica sullo stesso chip. Hanno costruito una matrice di risonatori ad anello, ciascuno accoppiato alla propria cella di memoria capacitiva, oltre a semplici interruttori per scrivere, mantenere o azzerare le tensioni memorizzate. Quando viene scritta una tensione, la risposta dell’anello alla luce laser cambia; quando il circuito di scrittura si disconnette, il condensatore conserva la tensione e la luce continua a “vedere” il peso programmato finché la carica non si disperde gradualmente. I ricercatori hanno misurato proprietà chiave: la memoria può essere scritta in decine di nanosecondi, mantiene informazioni utilizzabili per circa un millesimo di secondo e offre approssimativamente cinque bit di precisione analogica. La luce percorre i cammini ottici in picosecondi, quindi il calcolo in sé è estremamente veloce rispetto al tempo durante il quale i valori di memoria rimangono validi.

Test con una rete neurale realistica

Per capire cosa significano questi limiti hardware per l’AI pratica, gli autori hanno simulato il comportamento di una tale banca di pesi all’interno di una piccola rete di riconoscimento immagini addestrata su cifre scritte a mano del dataset MNIST. Hanno mappato una rete a tre strati—784 ingressi, 50 neuroni nascosti e 10 uscite—su matrici realistiche di anelli e memorie analogiche, includendo rumore, precisione limitata, tempo di ritenzione finito e altre imperfezioni. Lo studio mostra che con almeno circa quattro bit di controllo durante l’inferenza, e più bit durante l’addestramento completamente on‑chip, il sistema può comunque raggiungere oltre il 95% di accuratezza nella classificazione. Hanno inoltre riscontrato che purché il tempo di ritenzione della memoria sia almeno 100 volte più lungo del tempo necessario perché un input attraversi la rete, l’accuratezza rimane sopra il 90% nonostante i pesi che lentamente “perdono”. In altre parole, una memoria analogica a vita brevemente limitata e che perde carica può comunque essere molto utile quando il calcolo fotonico è così veloce.

Risparmi energetici e compromessi di progetto

Un beneficio centrale della DEOAM è la drastica riduzione del numero di convertitori digitale‑analogico. Nei progetti convenzionali, ogni peso ottico richiede il proprio convertitore, quindi il numero cresce con il quadrato della dimensione della rete. Con DEOAM, i convertitori sono condivisi tra righe o colonne e il conteggio cresce solo in modo lineare. Utilizzando misure reali dal loro prototipo e dati pubblicati per memorie e circuiti di conversione standard, gli autori stimano che un’architettura fotonica con memoria analogica integrata possa ridurre il consumo energetico di più di un fattore 26 rispetto agli schemi tradizionali basati su SRAM più convertitore. Analizzano inoltre come rumore, dimensione del batch durante l’addestramento e la necessità di aggiornamenti periodici della memoria analogica influenzino le prestazioni complessive, delineando regole pratiche di progettazione per futuri sistemi su larga scala.

Cosa significa per i chip AI del futuro

Per i non specialisti, il messaggio principale è che questo lavoro mostra una via realistica verso hardware AI estremamente veloce e drasticamente più efficiente dal punto di vista energetico, lasciando che sia la luce a svolgere i calcoli mentre semplici memorie analogiche mantengono le impostazioni. Anche se queste memorie svaniscono lentamente, la rete può tollerare e persino sfruttare questa “dimenticanza” come una forma di regolarizzazione, aiutando a evitare l’overfitting. Integrando la memoria direttamente nella struttura ottica del chip e riducendo nettamente gli costosi passaggi di conversione, processori fotonici neuromorfici come questo potrebbero alimentare sistemi AI futuri che apprendono al volo, si adattano a condizioni variabili e funzionano ad alta velocità senza le bollette energetiche massive dei centri dati odierni.

Citazione: Lam, S., Khaled, A., Bilodeau, S. et al. Neuromorphic photonic computing with an electro-optic analog memory. Nat Commun 17, 2472 (2026). https://doi.org/10.1038/s41467-026-69084-x

Parole chiave: fotonica neuromorfica, memoria analogica, calcolo ottico, IA a basso consumo energetico, fotonica su silicio