INSPIREの重要な変化は、光で計算すること自体ではありません。製造された回路が、自分の計算を改善する情報を供給する点です。デジタル複製だけで設定を学び実機に転送するのではなく、実際の光学ハードウェアの反応を測定します。
研究は2026年10月5日にNature Computational Scienceで発表され、4日後にNatureの研究解説で紹介されました。著者はTiankuang Zhou、Yun Zhao、Shanglong Li、Guocheng Shao、Ruqi Huang、Lu Fang。清華大学は電子工学部門と北京情報科学技術国家研究センターを主導機関として挙げています。
INSPIREは原位置での物理的勾配降下法を意味します。行列の精密調整、複数波長での計算、散乱媒体、メタ学習による迅速な適応が実証対象です。適応的な光学ハードウェアへの前進であり、汎用AI学習でGPUを超えたという発表ではありません。
理想的な複製ではなく製造後の回路を学習する
勾配はパラメーターを変えたとき誤差がどう変わるかを表します。通常のニューラルネットはデジタル演算で微分を求めます。一方、光回路では導波路、位相制御、散乱構造を通る光が振幅と位相の両方によって干渉します。
シミュレーションと実機の間には製造ばらつき、熱ドリフト、雑音があります。コヒーレントな回路では小さな位相差も変換全体に影響します。そのため従来は測定、モデル更新、最適化、設定転送、条件変化後の再校正が必要でした。
INSPIREは実際の測定を勾配取得に使い、設計との差を学習環境の一部として扱います。ただし目的関数、電子制御、パラメーター更新は依然必要です。完全な微分可能デジタルツインへの依存を下げるのであって、設計におけるソフトウェアやシミュレーションをなくしません。
目標機能から構造を探す逆設計は、製造前に引き続き役立ちます。製造後に調整する方法は、正確なモデル化が難しい可変回路を活用する補完的な経路です。
順方向と逆方向の光から勾配を得る
手法はチップ上の合成時間反転ホログラフィーを用います。順方向の光場が現在の設定に応じた出力を作り、逆方向の光場が出力誤差に関連する情報を運びます。振幅と位相を含む複素光場を測ることで、調整可能な素子が目的に与える影響を求めます。
光学的相反性が両方向の伝送を結び付けます。この関係から実測勾配を抽出し、制御装置が設定を変えて反復します。強度だけでは干渉に必要な位相情報を失います。
パラメーターを一つずつ変える方式は、素子数に伴い測定が増えます。双方向方式は各設定を独立試行にする負担を避けますが、光場の生成、経路、測定、安定制御の費用まで消すわけではありません。
著者の「トポロジー非依存」という表現は、特定の素子配列に限定しないという意味です。異なる材料、波長、調整機構に専用の実装が不要という意味ではありません。
実験の数字が示す範囲
行列学習では、目標変換に対する相対誤差が0.26%に達しました。装置内の精密な調整を示しますが、任意の多層ネットワークの分類精度でも、長期学習の安定性の証明でもありません。
複数波長の実験は、異なる情報チャネルが同じ装置を使える光学的並列性を調べます。散乱媒体では複雑な光経路を障害として除去するだけでなく、利用可能な変換として学習します。
対象行列がネイティブな可変素子数より大きいという結果も報告されています。明示的な制御の数だけでは物理系の挙動を評価できないことを示す一方、独立パラメーターが無限に増えるわけではありません。可制御性、雑音、測定精度が限界を決めます。
メタフォトニック実験は新しい課題への単発適応を示し、251倍のモデル圧縮と136倍の課題別学習高速化を報告しました。いずれも著者の実験内の比較であり、商用GPUに対する速度や任意の本番モデルのメモリー削減率ではありません。
物理学習の蓄積の中での位置
2018年のOptica論文は原位置の光学勾配測定を提案し、2023年のScience実験は集積光学逆伝播を示しました。2024年のNature論文は順方向だけの学習により、誤差信号を逆向きに送る困難に別の回答を出しました。
2026年3月のNature研究では、線形と非線形計算を光チップに統合し、二つの非線形分類で90%を超える精度とデジタル参照に近い頑健性を報告しています。INSPIREの特徴は、行列、散乱、メタ学習をまたぐ構成への適用性であり、従来方式をすべて不要にしたことではありません。
方式ごとに相反性、信号経路、測定装置の条件が違います。同一課題で比較すべきで、別々の速度倍率だけを並べても優劣は決まりません。一般性が高い方法も、あらゆる装置で最安とは限りません。
全システムの負担は残る
光は特定の線形演算を並列処理できますが、AIにはメモリー、非線形関数、重み保持、制御フロー、データ移動も必要です。デジタル加速器は成熟したソフトウェアと予測可能な数値精度を備えます。INSPIREは大規模言語モデルの学習を実証していません。
レーザー、変調器、検出器、AD・DA変換、温度制御、電子更新にはエネルギーと時間が必要です。論文要旨は現行GPUとの端から端までの消費電力比較を示していないため、システム全体が省エネルギーとは断言できません。
9月の拡張性レビューは干渉計、回折、波長多重方式を論じ、アナログ精度、累積誤差、信号対雑音比、変換効率を課題としました。物理学習は製造差を一部補償できますが、光損失、勾配雑音、隣接制御の熱干渉は残ります。
実装には歩留まり、パッケージ、寿命、複数個体の校正も必要です。十億パラメーターには安定した自由度と大きな記憶容量が要り、小さな回路の更新則だけでは達成しません。開発者が各光学要素を扱わなくて済むソフトウェアも不可欠です。
光が直接入力され、再適応が必要な計測、通信、撮像、科学機器が先行用途になり得ます。デジタル入力の仕事より一部の変換を避けられ、電子メモリーと光演算を組み合わせる構成も可能です。
次の証拠は、同一課題の精度、総エネルギー、遅延、測定負担、ドリフト後の安定性を報告する大型システムです。他プラットフォームでの独立再現は一般性を検証します。現在の成果はモデル不一致を回避する経路であり、その経済性は物理学習の環を維持する全装置に依存します。