O ponto central do INSPIRE não é apenas calcular com luz. É o circuito fabricado fornecer informação para melhorar o próprio cálculo. Em vez de aprender configurações exclusivamente numa réplica digital e esperar que se transfiram, os pesquisadores medem a resposta do hardware óptico real.
O método foi publicado em Nature Computational Science em 5 de outubro de 2026, seguido quatro dias depois por um resumo de pesquisa da Nature. Os autores são Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang e Lu Fang. A Tsinghua identifica seu departamento de engenharia eletrônica e o Beijing National Research Center for Information Science and Technology como instituições líderes.
INSPIRE significa descida física de gradiente in situ. As demonstrações cobrem ajuste preciso de matrizes, múltiplos comprimentos de onda, meios espalhadores e adaptação rápida por meta-aprendizado. Sustentam uma fotônica mais adaptável, não a conclusão de que ela superou GPUs no treinamento geral de IA.
Treinar o circuito fabricado, não uma réplica ideal
O gradiente descreve como alterar um parâmetro muda o erro. Redes convencionais calculam derivadas digitalmente. Num processador óptico, a luz atravessa guias, controles de fase e estruturas espalhadoras; a interferência depende de amplitude e fase.
A simulação vale tanto quanto o modelo de cada componente. Variação de fabricação, deriva térmica e ruído separam a descrição do dispositivo. Em circuitos coerentes, pequenas diferenças de fase alteram a transformação. Caracterizar, atualizar o modelo, otimizar, transferir ajustes e recalibrar após mudanças vira um ciclo recorrente.
O INSPIRE coloca a medição do gradiente nessa sequência física. Desvios do projeto passam a ser condições observadas, não algo que primeiro precisa ser reproduzido perfeitamente. Ainda há objetivo, controle eletrônico e atualização de parâmetros. Reduz-se a necessidade de uma réplica diferenciável completa, não a importância de todo software e simulação.
O projeto inverso continua útil para buscar uma estrutura que realize determinada função antes da fabricação. O ajuste posterior complementa essa etapa quando um sistema configurável é difícil de modelar com precisão.
Campos nos dois sentidos indicam a atualização
O método usa holografia sintética de reversão temporal no chip. Um campo óptico avança e produz a saída nas configurações atuais; outro percorre o sentido inverso com informação relacionada ao erro. Medir campos complexos, incluindo amplitude e fase, revela a influência dos elementos ajustáveis.
A reciprocidade óptica relaciona a transmissão nas duas direções. Dela se extrai o gradiente físico; o controlador muda os parâmetros e repete. Medir somente intensidade descartaria a fase necessária para descrever interferência.
Perturbar cada parâmetro separadamente exigiria mais medições conforme crescem os controles. A abordagem bidirecional evita ensaios isolados, mas continua dependendo da geração, condução e leitura dos campos e de controle confiável. A expressão matemática não elimina a instrumentação.
Os autores dizem que a estrutura é independente de topologia, ou seja, não limitada a uma disposição de componentes. Materiais, comprimentos de onda e mecanismos de ajuste diferentes ainda podem exigir engenharia específica.
O que demonstram os números
No treino matricial, o erro relativo entre transformação desejada e obtida foi 0,26%. É evidência de ajuste preciso naquele experimento, não acurácia de uma rede profunda arbitrária nem garantia de estabilidade em treinos longos.
Vários comprimentos de onda permitem canais de informação no mesmo dispositivo. Os testes exploram esse paralelismo espectral. Em meios espalhadores, a luz se mistura em caminhos complexos; o sistema aprende a usar a transformação em vez de eliminar toda irregularidade.
O trabalho relata matrizes-alvo maiores que a quantidade de elementos nativamente ajustáveis. Isso mostra que o comportamento acessível do sistema pode ir além de contar controles explícitos. Não cria parâmetros independentes ilimitados: controlabilidade, ruído e qualidade de medição continuam impondo limites.
A demonstração meta-fotônica examina adaptação de uma estrutura aprendida a novas tarefas. A adaptação em uma tentativa veio acompanhada de compressão de modelo de 251 vezes e aceleração de treinamento específico de 136 vezes. São comparações internas ao experimento, não velocidade contra uma GPU comercial ou redução da memória de qualquer modelo de produção.
Um avanço numa sequência já existente
A aprendizagem física tem antecedentes. Um artigo da Optica em 2018 propôs medição de gradiente in situ; um experimento da Science em 2023 demonstrou retropropagação fotônica integrada. Em 2024, a Nature apresentou treinamento apenas com passagens para frente, uma alternativa às dificuldades de enviar o erro no sentido inverso.
Em março de 2026, outro trabalho na Nature integrou cálculo linear e não linear num chip fotônico. Duas classificações não lineares superaram 90% de acurácia, com robustez próxima da referência digital. O diferencial do INSPIRE é abranger topologias em matrizes, espalhamento e meta-aprendizado, não tornar os métodos anteriores obsoletos.
Cada alternativa exige condições próprias de reciprocidade, rotas de sinal e equipamentos. Comparações na mesma tarefa são mais informativas que fatores de velocidade isolados. Uma técnica geral não necessariamente oferece a implementação mais barata em todas as plataformas.
Os custos do sistema continuam presentes
A óptica executa algumas operações lineares em paralelo. IA também exige memória, funções não lineares, armazenamento de parâmetros, controle e movimento de dados. Aceleradores eletrônicos possuem software maduro e precisão previsível. O estudo não demonstra treino de grandes modelos de linguagem.
Codificar e detectar dados exige conversões. Lasers, moduladores, detectores, conversores analógico-digitais e digitais-analógicos, controle térmico e atualizações eletrônicas gastam energia e tempo. O resumo não apresenta comparação energética de ponta a ponta com uma GPU atual. Afirmar superioridade do sistema completo excederia a evidência.
Uma revisão de setembro discutiu interferômetros, difração e multiplexação por comprimento de onda. Destacou precisão analógica, erros acumulados, queda de relação sinal-ruído e ineficiência de conversão. Treino físico pode corrigir parte da diferença de fabricação, não abolir perdas ópticas, gradientes ruidosos ou acoplamento térmico entre controles.
Encapsulamento, rendimento, vida útil e calibração de muitos dispositivos ainda precisam ser demonstrados. Bilhões de parâmetros exigem graus de liberdade estáveis e muita memória, não apenas melhor regra para pequenos circuitos. Interfaces de software precisam evitar que desenvolvedores operem cada detalhe óptico.
Sensoriamento, comunicações, imagem e instrumentos científicos podem ser aplicações mais próximas: a entrada já é luz e adaptar repetidamente é útil. Assim se evitam algumas conversões. Sistemas híbridos podem conservar memória e controle eletrônicos e usar transformações ópticas adequadas.
O próximo teste é um sistema maior e reproduzível que publique precisão em tarefa equivalente, energia e latência completas, custo de medição e estabilidade após deriva. Replicação independente noutra plataforma testa a generalidade. O resultado abre uma rota contra o desajuste do modelo; a economia dependerá de tudo que mantém a aprendizagem física funcionando.