Lo decisivo de INSPIRE no es solo calcular con luz. El circuito fabricado proporciona la información para mejorar su propio cálculo. En vez de aprender ajustes únicamente en una réplica digital y confiar en su transferencia, los investigadores miden la respuesta del hardware óptico real.
El método se publicó el 5 de octubre de 2026 en Nature Computational Science; cuatro días después lo presentó un resumen de investigación de Nature. Sus autores son Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang y Lu Fang. Tsinghua identifica ingeniería electrónica y el Beijing National Research Center for Information Science and Technology como instituciones principales.
INSPIRE significa descenso físico del gradiente in situ. Demuestra ajuste preciso de matrices, varias longitudes de onda, medios dispersores y adaptación rápida con metaaprendizaje. Apoya una fotónica más adaptable, no la conclusión de que haya superado a las GPU en entrenamiento general de IA.
Entrenar el circuito construido, no su copia ideal
Un gradiente describe cómo cambiar un parámetro modifica el error. Las redes convencionales calculan derivadas digitalmente. En óptica, la luz atraviesa guías, controles de fase y estructuras dispersoras; amplitud y fase determinan la interferencia.
La simulación depende de modelos exactos de componentes. Tolerancias de fabricación, deriva térmica y ruido separan la descripción del dispositivo. En circuitos coherentes, pequeñas diferencias de fase pueden cambiar la transformación. Caracterizar, actualizar el modelo, optimizar, transferir y recalibrar tras cambios se convierte en un ciclo recurrente.
INSPIRE lleva la medición del gradiente a esa secuencia física. Las desviaciones pasan a ser condiciones observadas, no algo que deba reproducirse perfectamente antes. Sigue necesitando objetivo, control electrónico y actualización de parámetros. Reduce dependencia de un gemelo diferenciable completo, no elimina todo software o simulación.
El diseño inverso sigue buscando antes de fabricar una estructura que produzca la función deseada. El ajuste posterior lo complementa, especialmente en sistemas configurables difíciles de modelar exactamente.
Dos direcciones de luz indican cómo actualizar
El método usa holografía sintética de inversión temporal en el chip. Un campo directo produce la salida con los ajustes actuales; otro inverso transporta información relacionada con el error. Medir campos complejos, amplitud y fase, permite determinar cómo influyen los elementos ajustables.
La reciprocidad óptica vincula transmisión en ambos sentidos. De esa relación se extrae el gradiente físico; el controlador cambia parámetros y repite. Medir solo intensidad descartaría la fase necesaria para describir interferencia.
Perturbar cada parámetro por separado exigiría más mediciones al crecer los controles. El enfoque bidireccional evita ensayos independientes, pero necesita generación, encaminamiento y lectura de campos, además de control fiable. La fórmula no elimina el coste instrumental.
Los autores lo llaman independiente de la topología: no se limita a una disposición concreta. Materiales, longitudes de onda y mecanismos de ajuste distintos aún pueden necesitar ingeniería específica de plataforma.
Qué establecen las cifras
En entrenamiento matricial, el error relativo entre transformación deseada y lograda fue 0,26%. Demuestra ajuste preciso en ese experimento, no exactitud de cualquier red profunda ni estabilidad de entrenamientos prolongados.
Varias longitudes de onda llevan canales de información por el mismo dispositivo. Las pruebas exploran ese paralelismo espectral. En medios dispersores, la luz se mezcla por caminos complejos; INSPIRE aprovecha la transformación en vez de eliminar cada irregularidad.
Las matrices objetivo eran mayores que el número de elementos ajustables nativos. El comportamiento accesible puede superar una cuenta simple de controles. Eso no crea parámetros independientes ilimitados: controlabilidad, ruido y calidad de medición siguen poniendo límites.
La demostración metafotónica estudia adaptación rápida de una estructura aprendida a tareas nuevas. A la adaptación de una sola vez se suman compresión de modelo de 251 veces y aceleración de entrenamiento específico de 136 veces. Son comparaciones dentro del marco experimental, no rapidez frente a una GPU comercial ni ahorro de memoria para cualquier modelo de producción.
Un paso dentro de una trayectoria existente
Optica propuso medición de gradientes in situ en 2018; Science demostró retropropagación fotónica integrada en 2023. Nature estudió en 2024 entrenamiento solo con pasos hacia delante, otra respuesta a las dificultades de enviar el error hacia atrás.
En marzo de 2026, otro trabajo Nature integró cálculo lineal y no lineal en un chip fotónico. Dos clasificaciones no lineales superaron 90% de exactitud con robustez próxima a una referencia digital. INSPIRE destaca por compatibilidad topológica en matrices, dispersión y metaaprendizaje, no por volver obsoletas todas las técnicas anteriores.
Cada alternativa exige condiciones diferentes de reciprocidad, rutas e instrumentos. Compararlas en una tarea común informa más que alinear factores de velocidad aislados. Un método general no tiene por qué ser la implementación más barata en toda plataforma.
El sistema completo conserva sus costes
La óptica realiza ciertas operaciones lineales en paralelo. IA necesita además memoria, no linealidades, almacenamiento de parámetros, control y movimiento de datos. Los aceleradores electrónicos ofrecen software maduro y precisión predecible. INSPIRE no demuestra entrenamiento de grandes modelos lingüísticos.
Codificación y detección requieren conversión. Láseres, moduladores, detectores, convertidores analógico-digitales y digitales-analógicos, regulación térmica y actualizaciones electrónicas gastan energía y tiempo. El resumen no ofrece comparación energética integral con una GPU actual. Afirmar superioridad del sistema excedería la evidencia.
Una revisión de septiembre discutió interferómetros, difracción y multiplexación de longitud de onda. Señaló precisión analógica, errores acumulados, deterioro señal-ruido y conversión ineficiente. El entrenamiento físico puede compensar diferencias de fabricación, no eliminar pérdidas ópticas, gradientes ruidosos ni interacciones térmicas entre controles vecinos.
Encapsulado, rendimiento de fabricación, vida útil y calibración de muchos ejemplares siguen abiertos. Miles de millones de parámetros exigen grados de libertad estables y memoria considerable, no solo mejor regla en un circuito pequeño. También hacen falta interfaces para no obligar al desarrollador a manejar cada detalle óptico.
Sensores, comunicaciones, imagen e instrumentos científicos pueden estar más próximos: la entrada ya es luz y sirve adaptación repetida, evitando algunas conversiones. Los sistemas híbridos pueden combinar transformaciones ópticas con memoria y control electrónicos.
La siguiente prueba debe ser un sistema mayor y reproducible que informe exactitud a tarea igual, energía y latencia completas, carga de medición y estabilidad tras deriva. Replicación independiente en otra plataforma comprobaría generalidad. INSPIRE abre una vía frente al desajuste del modelo; su economía dependerá de toda la cadena que sostiene el aprendizaje físico.