Entrenamiento de IA con fibra óptica: un salto basado en la luz

Por qué la fibra óptica podría reemplazar a la electricidad en la computación de IA

Desde los primeros días de informáticaCasi todas las computadoras se han basado en cálculos que utilizan electricidad de una forma u otra, desde los antiguos tubos 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 han estado buscando nuevas formas de construir computadoras que podrían llevar nuestra capacidad más allá de los chips de silicio, un tema que exploramos en “Las 10 principales empresas de informática sin silicio.

Estos métodos incluyen el uso de diferentes materiales, como carburo de carbono, dióxido de vanadio, materiales orgánicos o grafeno, por ejemplo. Otra opción es cambiar la forma de realizar la computación, alejándose de la programación binaria de la computación basada en la electricidad, que incluye la computación cuántica y la fotónica.

La fotónica utiliza luz en lugar de electricidad para codificar y transferir información. Sin embargo, hasta ahora, esta se ha convertido en una señal binaria, sin lograr 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 y Louis Pasteur (Besançon, Francia). Utilizaron fibra óptica para cálculos ultrarrápidos y publicaron sus hallazgos en la revista científica Optics Letters.¹, bajo el título "Límites de la propagación de fibra no lineal y dispersiva 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 llegando a límites en términos de eficiencia, y el cálculo de la IA está cada vez más limitado por el consumo de energía y la velocidad del procesamiento de datos.

En cambio, los cálculos basados ​​en la luz tienen el potencial de ser miles de veces más rápidos y pueden codificar datos en pequeñas diferencias de energía, lo que los hace más eficientes. El problema es que, hasta la fecha, no se ha realizado ningún cálculo directo con luz.

El trabajo de los investigadores utilizó una clase particular de arquitectura informática conocida como Máquina de Aprendizaje Extremo (ELM), un enfoque inspirado en las redes neuronales.

Entre algunas de sus ventajas, los ELM pueden aprender de los datos de entrenamiento en un solo paso y son un algoritmo relativamente simple.

Como regla general, es poco probable que ELM sea útil para tareas muy complejas que requieren múltiples capas de entrenamiento de IA, pero puede funcionar muy bien y de manera más eficiente para tareas específicas, como el reconocimiento visual, por ejemplo.

Cómo los investigadores codificaron imágenes usando fibras ópticas

Los investigadores utilizaron pulsos de láser de femtosegundos (mil millones de veces más cortos que el flash de una cámara) y una fibra óptica que confina la luz en un área más pequeña que una fracción de un cabello humano para construir un sistema ELM óptico.

Los pulsos del láser son lo suficientemente cortos como para contener una gran cantidad de longitudes de onda o colores diferentes, creando un rico conjunto de datos.

Luego enviaron estos datos a la fibra con un retraso relativo codificado según una imagen.

Fuente: Universidad de Tampere

El papel de la óptica no lineal en el procesamiento de la IA

Esta forma de codificación de datos se transformó mediante la interacción no lineal de la luz y el vidrio.

La óptica lineal es la óptica regular que se enseña en la escuela, donde la luz interactúa directamente con un prisma, por ejemplo.

En óptica no lineal, la reacción del medio por el que pasa la luz depende de la longitud de onda, la intensidad, la dirección y la polarización de la luz.

Los componentes ópticos no lineales pueden hacer que los fotones de diferentes frecuencias se combinen y creen nuevos fotones en nuevas frecuencias.

“En lugar de utilizar electrónica y algoritmos convencionales, el cálculo se logra aprovechando la interacción no lineal entre los pulsos de luz intensos y el vidrio”.

Mathilde Hary y Andrei Ermolaev – Investigadores postdoctorales

La interacción no lineal y el algoritmo Extreme Learning Machine (ELM) pudieron entrenar una IA para clasificar dígitos escritos a mano (como los que se usan en el popular Punto de referencia de inteligencia artificial del MNIST).

Fuente: Cartas ópticas

Los mejores sistemas alcanzaron una precisión superior al 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 en el nivel máximo de interacción no lineal o complejidad.

En cambio, necesitaban un delicado equilibrio entre la longitud de la fibra, la dispersión (la diferencia de velocidad de propagación entre diferentes longitudes de onda) y los niveles de potencia.

El rendimiento no se trata simplemente de impulsar más potencia a través de la fibra. Depende de la precisión con la que se estructura inicialmente la luz; es decir, de cómo se codifica la información y cómo interactúa con las propiedades de la fibra.

Mathilde Hary – Investigador postdoctoral

¿Son las computadoras de fibra óptica el futuro de la IA?

Entrenar IA solo con luz supone un cambio radical respecto a todos los métodos utilizados hasta ahora. Probablemente no sea un método aplicable a todo tipo de datos, pero en aquellos donde sea posible, podría generar resultados mil veces más eficientes en términos de consumo energético y hasta un millón de veces más rápidos.

“Nuestros modelos muestran cómo la dispersión, la no linealidad e incluso el ruido cuántico influyen en el rendimiento, lo que proporciona conocimientos fundamentales para diseñar la próxima generación de sistemas híbridos de IA óptico-electrónica”.

Andréi Ermolaev – Investigador postdoctoral

Lo más probable es que este enfoque implique delegar parte del cálculo de IA a un hardware de fibra óptica no lineal diseñado específicamente para la tarea. Por lo tanto, las tareas repetitivas, como la identificación visual, serían las más adecuadas, más que el procesamiento de nuevos datos.

Este trabajo demuestra cómo la investigación fundamental en fibra óptica no lineal puede impulsar nuevos enfoques computacionales. Al fusionar la física y el aprendizaje automático, estamos abriendo nuevos caminos hacia hardware de IA ultrarrápido y energéticamente eficiente.

Andréi Ermolaev – Investigador postdoctoral

Las aplicaciones potenciales van desde el procesamiento de señales en tiempo real hasta el monitoreo ambiental y la inferencia de IA de alta velocidad.

Sin embargo, este trabajo aún se encuentra en la etapa de demostración de los principios básicos de la técnica y lejos de una etapa de comercialización.

Sin embargo, demuestra que es probable que la fotónica sea una parte cada vez más importante de la industria informática en el futuro, ya que la luz puede ser superior a la electricidad para algunas aplicaciones informáticas debido a razones de física fundamental.

Empresa líder en láser y fotónica que cotiza en bolsa

Coherente (II-VI Marlow):Un líder en innovación láser

Coherent es un gran conglomerado industrial con más de 26,000 empleados y líder en tecnología láser. Surgió de la fusión de Advanced Material II-VI Marlow con el fabricante de láseres Coherent.

La empresa es experta en materiales avanzados utilizados en láseres, óptica y fotónica, como fosfuro de indio, obleas epitaxiales y arseniuro de galio.

Creció en gran medida gracias a múltiples adquisiciones durante la última década, de 600 millones de dólares en ingresos en 2013 a 4.7 millones de dólares en 2024.

La empresa obtiene el 29% de sus ingresos directamente de los láseres, y el resto se vincula a equipos asociados como fibra óptica y electrónica. La categoría de instrumentación incluye principalmente la vida útil.

Ciencias y aplicaciones médicas.

Fuente: Coherente

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 ayudan a beneficiarse de tendencias estructurales como el crecimiento de la fabricación de precisión, la fabricación aditiva (impresión 3D), la electrificación y las energías renovables.

La compañía tiene Recientemente separó su negocio de carburo de silicio en una nueva entidad, propiedad en un 75% de Coherent, y el resto es propiedad en partes iguales de sus socios Mitsubishi Electric (que aporta propiedad intelectual sobre carburo de silicio) y Denso (que aporta su actividad como proveedor de automoción en electrificación y semiconductores de potencia).

Esto se debe a que el carburo de silicio es cada vez más una tecnología propia, utilizada principalmente en aplicaciones de alta potencia, como vehículos eléctricos, baterías y energía renovable.

Coherent es un líder en LIDAR y detección digital 3D, incluidas aplicaciones de conducción autónoma, biotecnología Celdas de flujo para secuenciación de próxima generación (NGS) y  Láseres para la fabricación de semiconductoresEspera que sus principales mercados crezcan entre un 8 y un 20%.

Fuente: Coherente

Otras posibles nuevas aplicaciones de los láseres, como las armas de energía directa, la computación fotónica, la fusión nuclear y la tecnología espacial, podrían ayudar igualmente a sostener el crecimiento a largo plazo de la empresa.

En general, Coherent es lo más cercano que puede llegar a ser una empresa de láser “pure play” que cotiza en bolsa para los inversores interesados ​​en el sector, con una fuerte integración vertical y más de 3,100 patentes que protegen sus innovaciones.

A medida que avanza la fotónica, aumentará progresivamente la demanda de sistemas láser ultrarrápidos y ultraprecisos, así como de láseres utilizados en telecomunicaciones ópticas.

Últimas noticias y desarrollos de acciones de Coherent (COHR)

Estudio referenciado

^{1. Andrei V. Ermolaev, Mathilde Hary, Et al. Límites de la propagación de fibra no lineal y dispersiva para una máquina de aprendizaje extremo basada en fibra óptica. Cartas de óptica. Vol. 50, Número 13, págs. 4166-4169 (2025) https://doi.org/10.1364/OL.562186}