Das Entscheidende an INSPIRE ist nicht allein das Rechnen mit Licht. Die gefertigte Schaltung liefert selbst Informationen darüber, wie sie ihre Berechnung verbessern kann. Statt Einstellungen ausschließlich in einer digitalen Kopie zu optimieren und anschließend zu übertragen, messen die Forschenden das Verhalten der realen optischen Hardware.
Die Arbeit erschien am 5. Oktober 2026 in Nature Computational Science; vier Tage später folgte ein Forschungsbriefing von Nature. Entwickelt wurde sie von Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang und Lu Fang. Tsinghua nennt seine Elektrotechnik und das Beijing National Research Center for Information Science and Technology als federführende Einrichtungen.
INSPIRE bedeutet physischer Gradientenabstieg vor Ort. Demonstriert wurden präzise Matrixanpassung, Berechnungen über mehrere Wellenlängen, Streumedien und schnelle Aufgabenanpassung durch Meta-Lernen. Das unterstützt anpassungsfähige Photonik, belegt aber keine Überlegenheit gegenüber GPUs beim allgemeinen KI-Training.
Die gefertigte Schaltung statt des idealen Modells trainieren
Ein Gradient beschreibt, wie eine Parameteränderung den Fehler verändert. Digitale neuronale Netze berechnen solche Ableitungen mathematisch. In optischen Prozessoren interferiert Licht dagegen in Wellenleitern, Phasenstellern und Streustrukturen; Amplitude und Phase wirken gemeinsam.
Simulationen erfassen dieses Verhalten nur so gut wie ihre Komponentenmodelle. Fertigungstoleranzen, thermische Drift und Rauschen erzeugen Unterschiede zum realen Chip. In kohärenten Schaltungen können kleine Phasenabweichungen eine ganze Transformation verändern. Charakterisierung, Modellaktualisierung, Optimierung, Übertragung und erneute Kalibrierung bilden deshalb eine wiederkehrende Arbeitsschleife.
INSPIRE nimmt die Gradientenmessung in diese physische Schleife auf. Abweichungen werden direkt beobachtete Bedingungen, statt zuvor perfekt nachgebildet werden zu müssen. Ziele, elektronische Steuerung und Parameterupdates bleiben notwendig. Entfallen soll die Abhängigkeit von einer vollständigen differenzierbaren Nachbildung, nicht Software oder Simulation generell.
Auch inverses Design bleibt wichtig: Es sucht vor der Fertigung eine Struktur für eine gewünschte Funktion. Physische Anpassung nach der Fertigung ergänzt diesen Ansatz bei konfigurierbaren Systemen, deren genaue Eigenschaften schwer vorherzusagen sind.
Vorwärts- und Rückwärtsfelder liefern die Änderungsrichtung
INSPIRE verwendet synthetische Zeitumkehrholografie auf dem Chip. Ein Vorwärtsfeld erzeugt die Ausgabe bei den aktuellen Einstellungen. Ein rückwärts laufendes Feld trägt Informationen zum Ausgabefehler. Die Messung der komplexen Felder einschließlich Amplitude und Phase zeigt, wie die abstimmbaren Elemente das Ziel beeinflussen.
Optische Reziprozität verknüpft die Übertragung in beiden Richtungen. Daraus wird der physische Gradient gewonnen; der Controller verändert Einstellungen und wiederholt den Ablauf. Eine reine Intensitätsmessung würde wesentliche Phaseninformation verlieren.
Jeden Parameter einzeln zu verändern erforderte mit wachsender Zahl von Reglern immer mehr Messungen. Das bidirektionale Verfahren vermeidet solche getrennten Versuche. Es benötigt dennoch Erzeugung, Führung und Messung der Felder sowie zuverlässige Steuerung. Die Formel allein beschreibt nicht den Implementierungsaufwand.
„Topologieunabhängig“ bedeutet bei den Autoren, dass die Methode nicht nur eine bestimmte Anordnung optischer Komponenten voraussetzt. Andere Materialien, Wellenlängen und Stellmechanismen können weiterhin plattformspezifische Technik verlangen.
Was die Versuchszahlen aussagen
Beim Matrixtraining betrug der relative Fehler zwischen gewünschter und erzeugter Transformation 0,26%. Das zeigt präzise Anpassung im Versuch. Es ist weder die Genauigkeit eines beliebigen mehrschichtigen Netzes noch ein Nachweis stabiler langer Trainingsläufe.
Mehrere Wellenlängen ermöglichen verschiedene Informationskanäle in derselben Hardware. Die Versuche untersuchen diese spektrale Parallelität. In Streumedien wird Licht über komplexe Wege gemischt; INSPIRE nutzt diese Mischung als Transformation, statt jede Unregelmäßigkeit beseitigen zu wollen.
Die Zielmatrizen waren laut Arbeit größer als die Zahl nativer abstimmbarer Elemente. Das verdeutlicht, dass zugängliches Verhalten über eine einfache Zählung sichtbarer Regler hinausgehen kann. Unbegrenzt unabhängige Parameter entstehen daraus nicht: Kontrollierbarkeit, Rauschen und Messgüte begrenzen das Ergebnis.
Eine meta-photonische Struktur unterstützte schnelle Einzelanpassung an neue Aufgaben. Berichtet werden 251-fache Modellkompression und 136-fache Beschleunigung aufgabenspezifischen Trainings. Beide Vergleiche gelten innerhalb des experimentellen Rahmens. Sie beschreiben weder einen kommerziellen GPU-Ersatz noch den Speichergewinn eines beliebigen Produktivmodells.
Ein weiterer Schritt im physischen Lernen
Physisches Training hat Vorgänger. Eine Optica-Arbeit von 2018 schlug optische Gradientenmessung vor Ort vor; Science zeigte 2023 integrierte photonische Rückpropagation. Eine Nature-Studie von 2024 untersuchte Training nur mit Vorwärtsdurchläufen und damit eine Alternative zur schwierigen Rückführung von Fehlersignalen.
Im März 2026 integrierte eine weitere Nature-Arbeit lineare und nichtlineare Berechnungen auf einem photonischen Chip. Zwei nichtlineare Klassifikationen erreichten über 90% Genauigkeit und eine Robustheit nahe der digitalen Referenz. INSPIRE betont demgegenüber die breitere Anwendbarkeit auf Matrizen, Streuung und Meta-Lernen, nicht die Ablösung aller früheren Verfahren.
Die Ansätze verlangen unterschiedliche Reziprozität, Signalwege und Instrumentierung. Vergleiche auf derselben Aufgabe wären aussagekräftiger als isolierte Geschwindigkeitsfaktoren. Eine allgemeinere Methode muss nicht auf jeder Plattform die günstigste sein.
Die Systemkosten verschwinden nicht
Optik eignet sich für bestimmte parallele lineare Operationen. KI benötigt außerdem Speicher, nichtlineare Funktionen, Parameterhaltung, Kontrollfluss und Datenbewegung. Elektronische Beschleuniger haben dafür ausgereifte Software und vorhersehbare numerische Eigenschaften. Großes Sprachmodelltraining wurde hier nicht demonstriert.
Kodierung und Detektion verursachen Wandlungsaufwand. Laser, Modulatoren, Detektoren, Analog-Digital- und Digital-Analog-Wandler, Temperaturregelung und elektronische Updates brauchen Energie und Zeit. Der Abstract enthält keinen durchgängigen Energievergleich mit einer aktuellen GPU. Eine höhere Effizienz des Gesamtsystems wäre daher eine unbelegte Erweiterung.
Eine Skalierungsübersicht vom September diskutierte Interferometer-, diffraktive und Wellenlängenmultiplex-Architekturen. Sie benannte analoge Präzision, kumulierte Fehler, sinkendes Signal-Rausch-Verhältnis und Konversion als Probleme. Physisches Training kann Fertigungsabweichungen kompensieren, aber weder optischen Verlust noch verrauschte Gradienten oder thermische Wechselwirkungen abschaffen.
Packaging, Ausbeute, Lebensdauer und Kalibrierung vieler Geräte bleiben offen. Milliarden Parameter verlangen stabile Freiheitsgrade und erheblichen Speicher, nicht nur eine bessere Update-Regel für kleine Schaltungen. Entwickler brauchen außerdem zugängliche Software statt manueller Bedienung sämtlicher optischer Details.
Naheliegender sind Sensorik, Kommunikation, Bildgebung und wissenschaftliche Instrumente, deren Eingaben bereits Licht sind und die wiederholte Anpassung benötigen. Hier lassen sich manche Umwandlungen vermeiden. Hybride Systeme können optische Transformationen mit elektronischem Speicher und Steuerung verbinden.
Der nächste Nachweis muss ein größeres reproduzierbares System mit gleicher Aufgabengenauigkeit, vollständiger Energie und Latenz, Messaufwand und Driftstabilität sein. Unabhängige Übertragung auf eine andere Plattform würde die Allgemeinheit prüfen. INSPIRE eröffnet einen Weg um Modellabweichungen; seine Wirtschaftlichkeit hängt von der gesamten physischen Lernschleife ab.