Inteligencia artificial
Entrenamiento de IA con Fibra Óptica: Un Salto Basado en Luz
Añade Securities.io a tus fuentes preferidas en Google
Por qué la Fibra Óptica Podría Reemplazar la Electricidad en la Computación de IA
Desde los primeros tiempos de la computación, casi todos los ordenadores han realizado sus cálculos utilizando electricidad de una forma u otra, desde las antiguas válvulas de vacío hasta los modernos chips de silicio a escala nanométrica.
A medida que los chips de silicio se hacen cada vez más pequeños, los investigadores buscan nuevas formas de construir ordenadores que superen sus límites, un tema que analizamos en «Las 10 principales empresas de computación sin silicio».
Estos métodos incluyen el uso de materiales diferentes, como carburo de silicio, dióxido de vanadio, materiales orgánicos o grafeno. Otra opción consiste en cambiar la forma de realizar los cálculos y dejar atrás la programación binaria de la computación eléctrica, como ocurre con la computación cuántica y la fotónica.
La fotónica utiliza luz en lugar de electricidad para codificar y transferir información. Sin embargo, hasta ahora la señal acababa convirtiéndose en binaria, por lo que no existía una forma de computación basada exclusivamente en la luz.
Esto ha cambiado gracias al trabajo de investigadores de la Universidad de Tampere (Finlandia) y la Universidad Marie et Louis Pasteur (Besanzón, Francia). Utilizaron fibra óptica para efectuar cálculos ultrarrápidos y publicaron sus hallazgos en la revista científica Optics Letters1, con el título «Límites de la propagación no lineal y dispersiva en fibra para una máquina de aprendizaje extremo basada en fibra óptica».
Limitaciones del Entrenamiento Tradicional de IA con Sistemas Electrónicos
El entrenamiento de la IA y el procesamiento de datos están alcanzando sus límites de eficiencia, pues el consumo energético y la velocidad de procesamiento restringen cada vez más los cálculos de IA.
En cambio, los cálculos basados en luz podrían ser miles de veces más rápidos y codificar datos mediante diferencias de energía diminutas, lo que aumentaría su eficiencia. El problema era que hasta ahora no se había realizado ningún cálculo directamente con luz.
El trabajo empleó una arquitectura informática denominada máquina de aprendizaje extremo (ELM), un enfoque inspirado en las redes neuronales.
Entre sus ventajas, las ELM pueden aprender de los datos de entrenamiento en un solo paso y utilizan un algoritmo relativamente sencillo.
Por regla general, una ELM no resulta adecuada para tareas muy complejas que requieren múltiples capas de entrenamiento, pero puede ofrecer un rendimiento muy alto y eficiente en tareas concretas, como el reconocimiento visual.
Cómo los Investigadores Codificaron Imágenes Usando Fibra Óptica
Los investigadores utilizaron pulsos láser de femtosegundos, mil millones de veces más breves que el destello de una cámara, y una fibra óptica que confinaba la luz en un área menor que una fracción del grosor de un cabello humano para construir un sistema ELM óptico.
Los pulsos láser son lo bastante breves para contener numerosas longitudes de onda o colores diferentes, lo que crea un conjunto de datos muy rico.
Después enviaron estos datos por la fibra con un retraso relativo codificado conforme a una imagen.
Fuente: Tampere University
El Papel de la Óptica No Lineal en el Procesamiento de IA
La interacción no lineal entre la luz y el vidrio transformó esta codificación de datos.
La óptica lineal es la óptica convencional que se enseña en la escuela, en la que la luz interactúa directamente, por ejemplo, con un prisma.
En la óptica no lineal, la respuesta del medio por el que pasa la luz depende de su longitud de onda, intensidad, dirección y polarización.
Los componentes ópticos no lineales pueden hacer que fotones de frecuencias distintas se combinen y generen nuevos fotones con nuevas frecuencias.
“En lugar de usar electrónica y algoritmos convencionales, la computación se logra aprovechando la interacción no lineal entre pulsos de luz intensos y el vidrio.”
Mathilde Hary y Andrei Ermolaev, investigadores posdoctorales
La interacción no lineal y el algoritmo Extreme Learning Machine (ELM) pudieron entrenar una IA para clasificar dígitos manuscritos (como los utilizados en el popular benchmark de IA MNIST).
Fuente: Optics Letters
Los mejores sistemas alcanzaron una precisión de más del 91 %, cercana a los métodos digitales de última generación.
Lo que hace que el resultado sea excepcional es que se logró en menos de un picosegundo, o una billonésima de segundo (0.000000000001 segundos).
Optimización Ideal
Los mejores resultados no se obtuvieron con el máximo nivel de interacción no lineal ni de complejidad.
Requirieron un delicado equilibrio entre la longitud de la fibra, la dispersión —la diferencia de velocidad de propagación entre distintas longitudes de onda— y los niveles de potencia.
“El rendimiento no es simplemente una cuestión de empujar más potencia a través de la fibra. Depende de cuán precisamente se estructure inicialmente la luz, es decir, cómo se codifica la información y cómo interactúa con las propiedades de la fibra.”
¿Son las Computadoras de Fibra Óptica el Futuro de la IA?
Entrenar sistemas de IA únicamente con luz supone un cambio radical frente a todos los métodos utilizados hasta ahora. Probablemente no pueda aplicarse a todo tipo de datos, pero en los casos adecuados podría ofrecer una eficiencia energética mil veces mayor y una velocidad hasta un millón de veces superior.
«Nuestros modelos muestran cómo la dispersión, la no linealidad e incluso el ruido cuántico influyen en el rendimiento, aportando conocimientos esenciales para diseñar la próxima generación de sistemas híbridos optoelectrónicos de IA».
Lo más probable es que este enfoque delegue determinados cálculos de IA en hardware de fibra óptica no lineal diseñado específicamente para la tarea. Por ello, las labores repetitivas, como la identificación visual, serían mejores candidatas que el procesamiento de datos nuevos.
«Este trabajo demuestra que la investigación fundamental en óptica de fibra no lineal puede impulsar nuevos enfoques informáticos. Al combinar la física y el aprendizaje automático, abrimos nuevas vías hacia hardware de IA ultrarrápido y eficiente en el consumo de energía».
Sus posibles aplicaciones abarcan desde el procesamiento de señales en tiempo real hasta la vigilancia ambiental y la inferencia de IA a alta velocidad.
No obstante, el trabajo aún se encuentra en la fase de demostración de los principios básicos de la técnica y está lejos de su comercialización.
Aun así, demuestra que la fotónica probablemente tendrá un peso creciente en la industria informática, porque por razones físicas fundamentales la luz puede superar a la electricidad en determinadas aplicaciones de cálculo.
Principales Empresas Cotizadas de Láser y Fotónica
Coherent (II-VI Marlow): Un Líder en Innovación Láser
COHR Gráfico de precios
Coherent es un gran conglomerado industrial con más de 26.000 empleados y un referente en tecnología láser. Surgió de la fusión de la empresa de materiales avanzados II-VI Marlow (COHR ) con el fabricante de láseres Coherent.
La empresa es especialista en materiales avanzados utilizados en láseres, óptica y fotónica, como el fosfuro de indio, las obleas epitaxiales y el arseniuro de galio.
Su crecimiento se debió en gran medida a numerosas adquisiciones durante la última década: pasó de ingresar 600 millones de dólares en 2013 a 4.700 millones en 2024.
La empresa obtiene directamente de los láseres el 29 % de sus ingresos; el resto procede de equipos relacionados, como fibra óptica y electrónica. La categoría de instrumentación incluye principalmente equipos para ciencias de la vida.
Fuente: Coherent
La presencia de la empresa en materiales avanzados como la termofotovoltaica (que discutimos en un artículo anterior), el carburo de silicio, los láseres y la electrónica le permite beneficiarse de tendencias estructurales como el crecimiento de la fabricación de precisión, la fabricación aditiva (impresión 3D), la electrificación y las energías renovables.
La empresa ha separado recientemente su negocio de carburo de silicio en una nueva entidad, propiedad en un 75 % de Coherent, mientras que el resto pertenece a partes iguales a Mitsubishi Electric, que aporta propiedad intelectual sobre potencia con carburo de silicio, y Denso, que aporta su experiencia como proveedor automotriz en electrificación y semiconductores de potencia.
Esto se debe a que el carburo de silicio constituye cada vez más una tecnología propia, utilizada principalmente en aplicaciones de alta potencia como vehículos eléctricos, baterías y energías renovables.
Coherent es líder en LIDAR y detección digital 3D, incluidas aplicaciones de conducción autónoma, en biotecnología mediante celdas de flujo de secuenciación de próxima generación (NGS), y en láseres para la fabricación de semiconductores. La empresa espera que sus principales mercados crezcan entre un 8 % y un 20 %.
Fuente: Coherent
Otras posibles aplicaciones nuevas de los láseres, como las armas de energía dirigida, la computación fotónica, la fusión nuclear y la tecnología espacial, también podrían sostener el crecimiento de la empresa a largo plazo.
En conjunto, Coherent es lo más parecido a una empresa cotizada dedicada exclusivamente al láser para los inversores interesados en el sector, con una sólida integración vertical y más de 3.100 patentes que protegen sus innovaciones.
A medida que avance la fotónica, aumentará la demanda de sistemas láser ultrarrápidos y ultraprecisos, así como de los láseres utilizados en las telecomunicaciones ópticas.
Últimas Noticias y Desarrollos de la Acción Coherent (COHR)
Estudio Referenciado
1. Andrei V. Ermolaev, Mathilde Hary, et al. Limits of nonlinear and dispersive fiber propagation for an optical fiber-based extreme learning machine. Optics Letters. Vol. 50, Número 13, pp. 4166-4169 (2025) https://doi.org/10.1364/OL.562186
