Computação fotônica neuromórfica com uma memória analógica eletro-óptica

Por que cérebros de IA mais rápidos e enxutos importam

A inteligência artificial atual roda em chips de computador que consomem muita energia e que continuamente transmitem dados entre memória e processadores. Esse gargalo desperdiça energia e desacelera o sistema, especialmente à medida que os modelos de IA crescem em tamanho e complexidade. A pesquisa descrita neste artigo introduz um novo tipo de circuito de computação baseado em luz com memória analógica embutida, projetado para reduzir esse movimento de dados e tornar o hardware de IA futuro tanto mais rápido quanto muito mais eficiente energeticamente.

Luz como uma nova forma de calcular

Em vez de depender apenas de elétrons em fios metálicos, processadores fotônicos neuromórficos usam pulsos de luz para transportar e combinar informação, imitando como sinais fluem através de redes de neurônios. A luz pode viajar em muitas cores ao mesmo tempo pelo mesmo caminho, permitindo paralelismo massivo e atrasos extremamente baixos. Isso torna chips fotônicos atraentes para as pesadas operações de “multiplicar e somar” que dominam redes neurais. Contudo, a maioria dos processadores fotônicos existentes usa “pesos” fixos que precisam ser treinados em hardware digital e depois copiados. Isso limita sua adaptabilidade e ainda impõe grande carga às memórias convencionais e aos circuitos de conversão.

Trazer memória para junto da luz

Os autores abordam isso adicionando uma memória analógica simples e compatível com fundições diretamente ao lado de cada minúsculo dispositivo óptico que representa um peso de rede neural. Seu bloco de construção chave é uma memória analógica eletro-óptica dinâmica (DEOAM): um capacitor comum conectado a um anel microscópico de silício que guia a luz em um loop. Uma pequena tensão armazenada no capacitor desloca ligeiramente como o anel interage com a luz que passa, ajustando efetivamente a força de uma conexão neural. Como o capacitor pode manter essa tensão por um curto período, conversores digital-para-analógico especializados não precisam mais acionar cada anel continuamente. Em vez disso, um conjunto bem menor de conversores pode atualizar muitos anéis em sequência, enquanto a memória analógica mantém os valores programados no lugar.

Como funciona o chip protótipo

A equipe fabricou um circuito fotônico neuromórfico em uma plataforma comercial de silício de 90 nanômetros, combinando eletrônica padrão e nanofotônica em um único chip. Eles construíram uma matriz de ressonadores em anel, cada um pareado com sua própria célula de memória capacitiva, além de chaves simples para gravar, manter ou resetar as tensões armazenadas. Quando uma tensão é escrita, a resposta do anel à luz laser muda; quando o circuito de escrita se desconecta, o capacitor mantém a tensão, e a luz ainda “vê” o peso programado até que a carga vaze gradualmente. Os pesquisadores mediram propriedades-chave: a memória pode ser escrita em dezenas de nanosegundos, retém informações utilizáveis por cerca de um milésimo de segundo e oferece aproximadamente cinco bits de precisão analógica. A luz percorre os caminhos ópticos em picosegundos, então a própria computação é extremamente rápida em comparação com o tempo em que os valores da memória permanecem válidos.

Testando com uma rede neural realista

Para entender o que esses limites de hardware significam para a IA prática, os autores simularam como esse banco de pesos se comportaria dentro de uma pequena rede de reconhecimento de imagens treinada em dígitos manuscritos do conjunto MNIST. Eles mapearam uma rede de três camadas—784 entradas, 50 neurônios ocultos e 10 saídas—em matrizes realistas de anéis e memórias analógicas, incluindo ruído, precisão limitada, retenção finita e outras imperfeições. O estudo mostra que com pelo menos cerca de quatro bits de controle durante a inferência, e mais durante o treinamento totalmente on-chip, o sistema ainda pode alcançar mais de 95% de acurácia de classificação. Também descobriram que, contanto que o tempo de retenção da memória seja pelo menos 100 vezes maior que o tempo que leva para uma entrada atravessar a rede, a acurácia permanece acima de 90% mesmo que os pesos vazem lentamente. Em outras palavras, uma memória analógica modestamente efêmera e com vazamento ainda pode ser muito útil quando a computação fotônica é tão rápida.

Economia de energia e compromissos de projeto

Um benefício central da DEOAM é a redução drástica no número de conversores digital-para-analógico. Em projetos convencionais, cada peso óptico precisa de seu próprio conversor, então a contagem cresce com o quadrado do tamanho da rede. Com DEOAM, os conversores são compartilhados por linhas ou colunas, e a contagem cresce apenas linearmente. Usando medições reais do protótipo e dados publicados para memórias e circuitos conversores padrão, os autores estimam que uma arquitetura fotônica integrada com memória analógica pode reduzir o consumo de energia em mais de um fator de 26 em comparação com esquemas tradicionais de SRAM mais conversores. Eles também analisam como ruído, tamanho de lote durante o treinamento e a necessidade de atualizações periódicas da memória analógica afetam o desempenho geral, delineando regras práticas de projeto para sistemas em escala maior no futuro.

O que isso significa para chips de IA futuros

Para não especialistas, a mensagem principal é que este trabalho mostra um caminho realista rumo a hardware de IA que é tanto extremamente rápido quanto dramaticamente mais eficiente em energia, permitindo que a luz faça as contas enquanto memórias analógicas simples mantêm as configurações. Mesmo que essas memórias desbotem lentamente, a rede pode tolerar e até explorar essa “esquecimento” como uma forma de regularização, ajudando a evitar sobreajuste. Ao entrelaçar memória diretamente no tecido óptico do chip e reduzir fortemente etapas de conversão caras, processadores fotônicos neuromórficos como este poderiam alimentar sistemas de IA futuros que aprendem em tempo real, se adaptam a condições variáveis e operam em alta velocidade sem as contas de energia massivas dos data centers atuais.

Citação: 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

Palavras-chave: fotônica neuromórfica, memória analógica, computação óptica, IA energeticamente eficiente, fotônica em silício