Limiar de femtojoule reconfigurável: ativadores não lineares óticos totalmente alocados para redes neurais ópticas com pulsos picosegundo

Por que rajadas minúsculas de luz podem alimentar a IA do futuro

A inteligência artificial de hoje roda em enormes fazendas de chips eletrônicos que consomem muita energia. À medida que exigimos telefones, carros e centros de dados mais inteligentes, o uso de eletricidade e a dissipação de calor tornam‑se grandes entraves. Este artigo relata uma forma de realizar parte desse trabalho pesado com luz em vez de elétrons, usando dispositivos ópticos minúsculos que funcionam como chaves de “ativação” numa rede neural. Essas chaves operam com energias de luz incrivelmente pequenas e em velocidades altíssimas, oferecendo um vislumbre de hardware de IA ultrarrápido e energeticamente eficiente.

De eletrônica lenta e quente para fotônica rápida e fria

Chips convencionais movem cargas elétricas por fios metálicos e transistores. Esse método nos serviu bem, mas está atingindo limites tanto em velocidade quanto em eficiência energética. Redes neurais ópticas substituem cargas em movimento por fótons que viajam em guias de onda — essencialmente pequenos caminhos de luz em chip. A luz pode transmitir informação rapidamente, em várias cores ao mesmo tempo, e com pouco aquecimento. No entanto, construir uma rede neural totalmente óptica prática requer um ingrediente-chave: um dispositivo compacto que receba um sinal de luz e entregue uma versão transformada dele de forma não linear, assim como um neurônio dispara apenas quando a entrada ultrapassa um limiar. Até agora, tais elementos de “ativação” totalmente ópticos tendiam a ser grandes demais, lentos demais ou consumidores demais de energia.

Uma armadilha microscópica de luz que aprende a moldar sinais

Os autores primeiro projetam uma cavidade de cristal fotônico em silício — uma lâmina perfurada de silício que aprisiona e desacelera a luz em cores específicas. Ao arranjar cuidadosamente uma linha de furos, eles criam uma pequena região onde um pulso curto de luz pode ressonar, aumentando sua intensidade. Isso realça uma propriedade sutil do silício chamada efeito Kerr, em que o índice de refração do material muda ligeiramente quando a luz interna fica intensa. Essa pequena mudança desloca a cor preferida da cavidade e, como resultado, altera quanto de um pulso incidente passa. Ao escolher o comprimento de onda de entrada em relação ao pico de ressonância da cavidade, os pesquisadores conseguem fazer o dispositivo se comportar como várias curvas de ativação usadas em aprendizado de máquina, incluindo respostas lineares, semelhantes a ReLU (linear retificada) e sigmoidais. Mesmo nesta versão puramente em silício, o ativador mede cerca de 15 micrômetros por 10 micrômetros — menor que um grão de poeira — e responde em menos de 2 trilionésimos de segundo.

Adicionando grafeno para chaveamento de energia ultra‑baixo

Para reduzir ainda mais o limiar de ativação, a equipe integra uma camada de grafeno de espessura atômica sobre a cavidade de silício. O grafeno absorve luz naturalmente, mas em altas intensidades sua absorção satura: uma vez que muitos elétrons estão excitados, fótons adicionais passam mais facilmente. Ao combinar essa “absorção saturável” com o reforço de luz lenta da cavidade, o dispositivo alcança uma energia de saturação de apenas 4 femtojoules — aproximadamente a energia transportada por algumas dezenas de milhares de fótons de telecomunicações — e um tempo de resposta de cerca de 1 picosegundo. Em comprimentos de onda próximos, a mesma estrutura ainda pode explorar o efeito Kerr do silício para remodelar sua curva de ativação sob demanda, alternando entre comportamentos semelhantes a sigmoide, ReLU e quase linear, com limiares tão baixos quanto 30 femtojoules. Em termos de velocidade e energia requerida, essa métrica supera ativadores ópticos on‑chip anteriores por vários ordens de grandeza.

Construindo um cérebro óptico pulsado em um chip

Usando esses ativadores como blocos de construção, os autores delineiam uma arquitetura completa de rede neural óptica acionada por pulsos de luz ultrarrápidos em vez de feixes contínuos. Um laser pulsado de alta taxa de repetição gera uma sequência de picos de picosegundo, que são codificados com dados por moduladores de alta velocidade e então divididos por várias frequências. No chip, componentes especializados de divisão por comprimento de onda roteiam e ponderam essas cores usando materiais de mudança de fase não voláteis que lembram suas configurações sem consumir energia. Após a ponderação linear, os sinais passam pelos ativadores grafeno‑silício, que imprimem a resposta não linear desejada antes que a luz seja encaminhada para a próxima camada. Simulações mostram que, com energias de ativação abaixo de cerca de 30 femtojoules, tal sistema poderia alcançar densidades computacionais em torno de 10³ trilhões de operações por segundo por milímetro quadrado e eficiências energéticas próximas a 10⁶ trilhões de operações por watt por milímetro quadrado — muito além dos aceleradores eletrônicos típicos.

O que isso significa para a IA do dia a dia

Para testar se essas ativações ópticas exóticas se comportam como suas contrapartes eletrônicas, a equipe alimenta curvas de ativação medidas em modelos de software e os treina em tarefas de classificação padrão, desde padrões bidimensionais simples até dígitos manuscritos (MNIST) e imagens coloridas complexas (CIFAR‑10). As ativações grafeno‑silício igualam ou superam respostas lineares simples, particularmente em tarefas de imagem mais difíceis, nas quais o comportamento parecido com ReLU se mostra especialmente eficaz. Em termos simples, este trabalho mostra que um chip do tamanho de uma unha, feito de silício e grafeno cuidadosamente estruturados, poderia um dia executar etapas-chave em cálculos de IA usando minúsculas rajadas de luz em vez de eletricidade. Se escalados e integrados com tecnologias fotônicas maduras, esses ativadores não lineares totalmente ópticos poderiam ajudar a oferecer hardware mais rápido, mais frio e mais eficiente para as próximas gerações de inteligência artificial.

Citação: Liu, R., Wang, Z., Zhong, C. et al. Femto-joule threshold reconfigurable all-optical nonlinear activators for picosecond pulsed optical neural networks. Light Sci Appl 15, 128 (2026). https://doi.org/10.1038/s41377-025-02175-4

Palavras-chave: redes neurais ópticas, fotônica com grafeno, cavidades de cristal fotônico, ativação não linear, hardware de IA energeticamente eficiente