La novità decisiva di INSPIRE non è soltanto calcolare con la luce. Il circuito fabbricato fornisce l’informazione necessaria a migliorare il proprio calcolo. Anziché apprendere le impostazioni esclusivamente in una copia digitale e sperare che si trasferiscano, i ricercatori misurano la risposta dell’hardware ottico reale.
Il metodo è apparso su Nature Computational Science il 5 ottobre 2026; quattro giorni dopo è stato presentato in un briefing Nature. Gli autori sono Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang e Lu Fang. Tsinghua indica ingegneria elettronica e Beijing National Research Center for Information Science and Technology come istituzioni guida.
INSPIRE significa discesa fisica del gradiente in situ. Le dimostrazioni comprendono matrici precise, più lunghezze d’onda, mezzi diffusivi e rapido adattamento con meta-apprendimento. Sostengono una fotonica più adattabile, non l’idea che abbia superato le GPU nell’addestramento generale dell’AI.
Addestrare il circuito costruito, non la copia ideale
Il gradiente descrive come una variazione di parametro modifica l’errore. Le reti tradizionali calcolano le derivate digitalmente. Nei processori ottici, la luce attraversa guide, controlli di fase e strutture diffusive; l’interferenza dipende sia dall’ampiezza sia dalla fase.
Una simulazione dipende dall’accuratezza del modello dei componenti. Tolleranze produttive, deriva termica e rumore separano descrizione e dispositivo. Nei circuiti coerenti, piccole differenze di fase possono cambiare l’intera trasformazione. Servono caratterizzazione, aggiornamento del modello, ottimizzazione, trasferimento e nuova calibrazione dopo il cambiamento delle condizioni.
INSPIRE porta la misura del gradiente in questa sequenza fisica. Gli scostamenti dal progetto diventano condizioni osservate, anziché fenomeni da riprodurre prima perfettamente. Restano obiettivo, controllo elettronico e aggiornamento dei parametri. Si riduce la dipendenza da un gemello completo e differenziabile, non si eliminano software o simulazione.
Il progetto inverso continua a cercare prima della produzione una struttura per una funzione desiderata. La regolazione dopo la fabbricazione lo integra, soprattutto nei sistemi configurabili difficili da descrivere esattamente.
Luce avanti e indietro per trovare la direzione
Si usa olografia sintetica a inversione temporale sul chip. Un campo in avanti produce l’uscita alle impostazioni correnti; un secondo campo inverso porta informazioni legate all’errore. Misurare i campi complessi, ampiezza e fase, permette di determinare l’effetto degli elementi regolabili sull’obiettivo.
La reciprocità ottica collega la trasmissione nei due sensi. Da questa relazione si estrae il gradiente fisico, poi il controllore modifica i parametri e ripete. La sola intensità perderebbe la fase necessaria per descrivere l’interferenza.
Perturbare ogni parametro separatamente richiederebbe sempre più misure all’aumentare dei controlli. Il metodo bidirezionale evita prove indipendenti, ma richiede ancora generazione, instradamento e misura dei campi e controllo affidabile. La formula non annulla il costo degli strumenti.
Gli autori definiscono il quadro indipendente dalla topologia: non è vincolato a una sola disposizione dei componenti. Materiali, lunghezze d’onda e meccanismi di regolazione diversi possono comunque richiedere ingegneria specifica.
Il significato dei risultati numerici
L’esperimento matriciale raggiunge errore relativo dello 0,26% tra trasformazione desiderata e realizzata. Mostra un adattamento preciso in quel sistema, non l’accuratezza di una rete profonda arbitraria o la stabilità di lunghi addestramenti.
Più lunghezze d’onda consentono canali informativi nello stesso apparato. Le prove esplorano questo parallelismo spettrale. Nei mezzi diffusivi la luce si mescola attraverso percorsi complessi: il metodo cerca di usare la trasformazione invece di cancellare ogni irregolarità.
Lo studio descrive matrici obiettivo più grandi del numero di elementi regolabili nativi. Ciò indica che il comportamento accessibile supera un conteggio semplicistico dei controlli. Non crea parametri indipendenti illimitati: controllabilità, rumore e qualità della misura rimangono limiti.
La dimostrazione meta-fotonica esamina l’adattamento rapido di una struttura appresa a compiti nuovi. All’adattamento singolo si accompagnano compressione del modello di 251 volte e accelerazione dell’addestramento specifico di 136 volte. Sono confronti interni alla struttura sperimentale, non velocità contro una GPU commerciale o riduzione di memoria di qualunque modello di produzione.
Un passo in una storia di apprendimento fisico
Esistono precedenti: Optica nel 2018 propose misura del gradiente in situ; Science nel 2023 dimostrò retropropagazione fotonica integrata. Nature nel 2024 studiò addestramento con soli passaggi in avanti, affrontando diversamente le difficoltà del segnale d’errore inverso.
Nel marzo 2026 un altro lavoro Nature integrò calcolo lineare e non lineare in un chip fotonico. Due classificazioni non lineari superarono il 90% di accuratezza con robustezza vicina al riferimento digitale. INSPIRE si distingue per applicabilità topologica a matrici, diffusione e meta-apprendimento, non perché renda inutili tutti gli approcci precedenti.
Le alternative impongono condizioni diverse su reciprocità, percorsi e strumentazione. Confrontarle sullo stesso compito sarebbe più utile di accostare moltiplicatori di velocità isolati. Un metodo generale non è necessariamente l’implementazione meno costosa per ogni piattaforma.
I costi dell’intero sistema restano
La fotonica esegue in parallelo alcune operazioni lineari. L’AI richiede anche memoria, non linearità, conservazione dei parametri, controllo e movimento di dati. Gli acceleratori elettronici dispongono di software maturo e precisione prevedibile. INSPIRE non dimostra addestramento di grandi modelli linguistici.
Codifica degli ingressi e rilevamento richiedono conversioni. Laser, modulatori, rivelatori, convertitori analogico-digitali e digitali-analogici, controllo termico e aggiornamenti elettronici consumano tempo ed energia. L’abstract non offre un confronto energetico completo con una GPU attuale. Dichiarare superiore l’intero sistema andrebbe oltre le prove.
Una revisione di settembre analizzava interferometri, diffrazione e multiplexing di lunghezza d’onda. Indicava precisione analogica, errori cumulativi, rapporto segnale-rumore e conversioni inefficienti. Addestramento fisico può compensare differenze produttive, non eliminare perdite ottiche, gradienti rumorosi o interazioni termiche fra controlli vicini.
Packaging, resa, durata e calibrazione di molti esemplari restano questioni industriali. Miliardi di parametri richiedono gradi di libertà stabili e memoria ampia, non solo una regola migliore per piccoli circuiti. Servono interfacce che non impongano agli sviluppatori ogni dettaglio ottico.
Applicazioni più vicine possono essere sensori, comunicazioni, immagini e strumenti scientifici: l’ingresso è già luce e serve adattamento ripetuto. Possono evitare alcune conversioni. Le architetture ibride possono abbinare trasformazioni ottiche a memoria e controllo elettronici.
La prova successiva è un sistema più grande e riproducibile che riporti accuratezza sullo stesso compito, energia e latenza complete, onere di misura e stabilità dopo deriva. Una replica indipendente su altra piattaforma verifica la generalità. INSPIRE aggira il disallineamento fra modello e dispositivo; l’economia dipenderà dall’intera catena che mantiene l’apprendimento fisico.