Najważniejszą zmianą w INSPIRE nie jest samo liczenie światłem. Wytworzony układ dostarcza informacji potrzebnych do poprawiania własnego obliczenia. Zamiast wyznaczać ustawienia wyłącznie w cyfrowej kopii i przenosić je do urządzenia, badacze mierzą odpowiedź rzeczywistego sprzętu optycznego.
Praca ukazała się 5 października 2026 w Nature Computational Science, a cztery dni później omówił ją briefing Nature. Autorami są Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang i Lu Fang. Tsinghua wskazała wydział elektroniki oraz Beijing National Research Center for Information Science and Technology jako instytucje wiodące.
INSPIRE oznacza fizyczne opadanie gradientowe in situ. Demonstracje obejmują dokładne dopasowanie macierzy, obliczenia na wielu długościach fal, ośrodki rozpraszające oraz szybką adaptację przez metauczenie. To argument za elastyczniejszą fotoniką, nie dowód wyprzedzenia GPU w ogólnym trenowaniu AI.
Uczyć układ wytworzony, a nie idealną kopię
Gradient opisuje, jak zmiana parametru wpływa na błąd. Zwykłe sieci obliczają pochodne cyfrowo. W układzie optycznym światło przechodzi przez falowody, regulatory fazy i struktury rozpraszające. Interferencja zależy od amplitudy i fazy jednocześnie.
Symulacja jest tak dokładna jak modele elementów. Tolerancje produkcyjne, dryf termiczny i szum oddzielają opis od urządzenia. W układzie koherentnym drobna zmiana fazy może zmienić całą transformację. Potrzebne są więc charakteryzacja, aktualizacja modelu, optymalizacja, przeniesienie ustawień i ponowna kalibracja po zmianie warunków.
INSPIRE umieszcza pomiar gradientu w fizycznej pętli. Odchylenia stają się obserwowanymi warunkami, a nie zjawiskiem wymagającym najpierw idealnego odwzorowania. Cel, sterowanie elektroniczne i aktualizacje nadal są konieczne. Zmniejsza się zależność od kompletnego różniczkowalnego bliźniaka, nie rola każdego oprogramowania i symulacji.
Projektowanie odwrotne wciąż pomaga znaleźć strukturę realizującą żądaną funkcję przed produkcją. Regulacja po produkcji jest uzupełnieniem, szczególnie dla konfigurowalnego urządzenia trudnego do precyzyjnego opisania.
Dwa kierunki światła pokazują kierunek aktualizacji
Zastosowano syntetyczną holografię odwrócenia czasu na układzie. Pole biegnące do przodu tworzy wyjście przy obecnych ustawieniach. Pole wsteczne przenosi informację związaną z błędem wyjścia. Pomiar pól zespolonych, wraz z amplitudą i fazą, pozwala określić wpływ elementów regulowanych na cel.
Wzajemność optyczna wiąże transmisję w przeciwnych kierunkach. Z tego związku wynika gradient fizyczny; sterownik zmienia parametry i powtarza proces. Sam pomiar natężenia utraciłby informację fazową potrzebną do opisu interferencji.
Oddzielne zaburzanie każdego parametru wymagałoby coraz większej liczby pomiarów. Podejście dwukierunkowe unika traktowania ustawień jako osobnych prób. Nadal wymaga generowania, prowadzenia i pomiaru pól oraz niezawodnego sterowania. Wzór matematyczny nie usuwa kosztu instrumentów.
Autorzy określają metodę jako niezależną od topologii, czyli nieograniczoną do jednego ułożenia elementów. Inne materiały, długości fal i mechanizmy regulacji mogą jednak wymagać inżynierii właściwej danej platformie.
Co rzeczywiście pokazują liczby
W treningu macierzy błąd względny między transformacją docelową a uzyskaną wyniósł 0,26%. To precyzyjne dopasowanie w eksperymencie, nie dokładność dowolnej sieci wielowarstwowej i nie dowód stabilności długiego treningu.
Różne długości fal pozwalają wielu kanałom informacji korzystać ze wspólnego urządzenia. Eksperyment bada tę równoległość widmową. W ośrodku rozpraszającym światło miesza się na złożonych drogach; metoda wykorzystuje tę transformację, zamiast usuwać każdą nieregularność.
Docelowe macierze były większe od liczby natywnych elementów regulowanych. Pokazuje to możliwości szerszego układu poza prostym liczeniem regulatorów. Nie tworzy nieograniczonej liczby niezależnych parametrów: sterowalność, szum i jakość pomiaru nadal ograniczają wynik.
Demonstracja metafotoniczna sprawdzała adaptację wyuczonej struktury do nowych zadań. Jednorazowej adaptacji towarzyszyły raportowane 251-krotna kompresja modelu i 136-krotne przyspieszenie treningu zadaniowego. Porównania obowiązują w ramach eksperymentu, nie oznaczają komercyjnego zastępstwa GPU ani zmniejszenia pamięci każdego modelu produkcyjnego w tej samej proporcji.
Kolejny etap istniejącej drogi
Fizyczne uczenie ma poprzedników. Optica w 2018 proponowała pomiar gradientu in situ; Science w 2023 pokazało zintegrowaną fotoniczną propagację wsteczną. Nature w 2024 badało trening tylko przebiegami do przodu, odpowiadając na trudności przesyłania błędu wstecz.
W marcu 2026 inna praca Nature łączyła liniowe i nieliniowe obliczenia na fotonicznym układzie. Dwa zadania nieliniowej klasyfikacji przekroczyły 90% dokładności przy odporności zbliżonej do cyfrowego odniesienia. INSPIRE wyróżnia szersza zgodność topologiczna w macierzach, rozpraszaniu i metauczeniu, a nie unieważnienie wcześniejszych sposobów.
Każda droga stawia inne wymagania wzajemności, trasom sygnału i instrumentom. Wspólne zadanie porównawcze byłoby lepsze niż zestawienie oddzielnych mnożników szybkości. Ogólna metoda nie musi być najtańsza na każdej platformie.
Koszty całego systemu pozostają
Optyka równolegle wykonuje wybrane operacje liniowe. AI potrzebuje także pamięci, nieliniowości, przechowywania parametrów, sterowania i przepływu danych. Cyfrowe akceleratory mają dojrzałe oprogramowanie i przewidywalną arytmetykę. INSPIRE nie demonstruje treningu wielkiego modelu językowego.
Kodowanie wejść i detekcja wymagają konwersji. Lasery, modulatory, detektory, przetworniki analogowo-cyfrowe i cyfrowo-analogowe, kontrola temperatury i elektroniczne aktualizacje zużywają energię i czas. Abstrakt nie daje pełnego porównania energetycznego z obecną GPU. Ogłoszenie przewagi całego systemu przekraczałoby dowody.
Wrześniowy przegląd skalowania omawiał interferometry, dyfrakcję i multipleksację długości fal. Wskazał ograniczenia precyzji analogowej, kumulację błędów, spadek stosunku sygnału do szumu i nieefektywną konwersję. Uczenie fizyczne może kompensować część różnic produkcji, lecz nie znosi strat światła, szumu gradientu i termicznych oddziaływań sąsiednich regulatorów.
Obudowy, uzysk, trwałość i kalibracja wielu egzemplarzy nadal wymagają dowodów. Miliardy parametrów potrzebują stabilnych stopni swobody i dużej pamięci, nie tylko lepszej reguły małego układu. Potrzebne są też narzędzia uwalniające programistę od sterowania każdym elementem optycznym.
Bliższymi zastosowaniami mogą być sensory, komunikacja, obrazowanie i aparatura naukowa. Dane już są światłem, a ponowna adaptacja jest użyteczna, więc można ominąć część konwersji. Hybrydy mogą połączyć optyczne transformacje z elektroniczną pamięcią i kontrolą.
Następny dowód powinien obejmować większy, odtwarzalny system: równą dokładność zadania, całkowitą energię i czas, narzut pomiaru oraz stabilność po dryfie. Niezależny transfer na inną platformę sprawdzi ogólność. Obecny wynik omija niedopasowanie modelu; opłacalność zależy od całej fizycznej pętli uczenia.