Treinando IA com Fibra Óptica: Um Salto Baseado em Luz

Por que a Fibra Óptica Pode Substituir a Eletricidade na Computação de IA

Desde os primeiros dias da computação, quase todos os computadores têm sido baseados em cálculos que utilizam eletricidade de uma forma ou de outra, desde os antigos tubos de vácuo até os modernos chips de silício em escala nanométrica.

À medida que os chips de silício ficam cada vez menores, os pesquisadores têm buscado novas maneiras de construir computadores que possam ampliar nossa capacidade além dos chips de silício, um tópico que exploramos em “Top 10 Empresas de Computação Não‑Silício”.

Esses métodos incluem o uso de diferentes materiais, como carboneto de silício, dióxido de vanádio, materiais orgânicos ou grafeno, por exemplo. Outra abordagem é mudar a forma como a computação é feita, afastando‑se da programação binária da computação baseada em eletricidade, o que inclui computação quântica e fotônica.

A fotônica usa luz em vez de eletricidade para codificar e transferir informações. No entanto, até agora, ela ainda era convertida em um sinal binário, falhando em formar uma forma de computação puramente baseada em luz.

Isso mudou com o trabalho de pesquisadores da Tampere University (Finlândia) e da Université Marie et Louis Pasteur (Besançon, França). Eles usaram fibra óptica para cálculos ultrarrápidos e publicaram suas descobertas na revista científica Optics Letters¹, sob o título “Limites da propagação não linear e dispersiva em fibra para uma máquina de aprendizado extremo baseada em fibra óptica”.

Limitações do Treinamento Tradicional de IA com Sistemas Eletrônicos

O treinamento de IA e o processamento de dados estão atingindo limites em termos de eficiência, com a computação de IA cada vez mais restringida pelo consumo de energia e pela velocidade de processamento dos dados.

Em contraste, cálculos baseados em luz têm o potencial de ser milhares de vezes mais rápidos e podem codificar dados em pequenas diferenças de energia, tornando‑os mais eficientes. O problema é que, até agora, nenhum cálculo direto usando luz foi realizado.

O trabalho dos pesquisadores utilizou uma classe particular de arquitetura de computação conhecida como Extreme Learning Machine (ELM), uma abordagem inspirada em redes neurais.

Entre algumas de suas vantagens, os ELMs podem aprender a partir dos dados de treinamento em um único passo e são um algoritmo relativamente simples.

Como regra geral, o ELM provavelmente não será útil para tarefas muito complexas que exigem múltiplas camadas de treinamento de IA, mas pode desempenhar muito bem e de forma mais eficiente tarefas específicas, como reconhecimento visual, por exemplo.

Como os Pesquisadores Codificaram Imagens Usando Fibras Ópticas

Os pesquisadores usaram pulsos de laser femtossegundo (um bilhão de vezes mais curtos que um flash de câmera) e uma fibra óptica que confina a luz em uma área menor que uma fração de um fio de cabelo humano para construir um sistema óptico ELM.

Os pulsos de laser são curtos o suficiente para conter um grande número de diferentes comprimentos de onda ou cores, criando um conjunto de dados rico.

Em seguida, enviaram esses dados para a fibra com um atraso relativo codificado de acordo com uma imagem.

Fonte: Tampere University

O Papel da Óptica Não Linear no Processamento de IA

Essa forma de codificação de dados foi transformada pela interação não linear da luz com o vidro.

Óptica linear é a óptica regular ensinada na escola, onde a luz interage diretamente com um prisma, por exemplo.

Na óptica não linear, a reação do meio por onde a luz passa depende do comprimento de onda, intensidade, direção e polarização da luz.

Componentes ópticos não lineares podem fazer fótons de diferentes frequências combinar‑se e criar novos fótons em novas frequências.

“Em vez de usar eletrônicos e algoritmos convencionais, a computação é alcançada aproveitando a interação não linear entre pulsos intensos de luz e o vidro.”

Mathilde Hary e Andrei Ermolaev – Pesquisadores Pós‑Doutorais

A interação não linear e o algoritmo Extreme Learning Machine (ELM) conseguiram treinar uma IA para classificar dígitos manuscritos (como os usados no popular benchmark de IA MNIST).

Fonte: Optics Letters

Os melhores sistemas alcançaram uma precisão superior a 91 %, próximo aos métodos digitais de última geração.

O que torna o resultado excepcional é que ele foi obtido em menos de um picosegundo, ou um trilionésimo de segundo (0,000000000001 segundos).

Otimização Ideal

Os melhores resultados não ocorreram no nível máximo de interação não linear ou complexidade.

Em vez disso, eles exigiram um delicado equilíbrio entre o comprimento da fibra, a dispersão (a diferença de velocidade de propagação entre diferentes comprimentos de onda) e os níveis de potência.

“O desempenho não depende simplesmente de empurrar mais potência através da fibra. Depende de quão precisamente a luz é inicialmente estruturada, ou seja, como a informação é codificada, e de como ela interage com as propriedades da fibra.”

Mathilde Hary – Pesquisadora Pós‑Doutoral

Os Computadores de Fibra Óptica são o Futuro da IA?

Treinar IAs apenas com luz representa uma ruptura radical de todos os métodos usados até agora. É provável que esse método não seja viável para todo tipo de dado, mas, para aqueles em que pode ser aplicado, pode gerar resultados 1.000 vezes mais eficientes em termos de energia e até um milhão de vezes mais rápidos.

“Nossos modelos mostram como dispersão, não linearidade e até ruído quântico influenciam o desempenho, fornecendo conhecimento crítico para projetar a próxima geração de sistemas híbridos óptico‑eletrônicos de IA.”

Andrei Ermolaev – Pesquisador Pós‑Doutoral

É muito provável que tal abordagem signifique que parte do cálculo de IA seja delegada a um hardware de fibra óptica não linear projetado sob medida para a tarefa. Assim, tarefas repetitivas, como identificação visual, seriam as melhores candidatas, mais do que o processamento de novos dados.

“Este trabalho demonstra como a pesquisa fundamental em óptica de fibra não linear pode impulsionar novas abordagens de computação. Ao mesclar física e aprendizado de máquina, estamos abrindo novos caminhos para hardware de IA ultrarrápido e energeticamente eficiente.”

Andrei Ermolaev – Pesquisador Pós‑Doutoral

As aplicações potenciais variam desde processamento de sinais em tempo real até monitoramento ambiental e inferência de IA em alta velocidade.

Tal trabalho, porém, ainda está na fase de demonstração dos princípios básicos da técnica, e longe de um passo de comercialização.

No entanto, demonstra que a fotônica provavelmente se tornará uma parte cada vez mais importante da indústria de computação, pois a luz pode ser superior à eletricidade para algumas aplicações de computação devido a razões fundamentais da física.

Principal Empresa de Laser e Fotônica de Capital Aberto

Coherent (II-VI Marlow): Um Líder em Inovação de Laser

A Coherent é um grande conglomerado industrial com mais de 26 000 funcionários e líder em tecnologia de laser. Resultou da fusão da avançada empresa de materiais II‑VI Marlow com o fabricante de lasers Coherent.

A empresa é especialista em materiais avançados usados em lasers, óptica e fotônica, como fosfeto de índio, wafers epitaxiais e arseneto de gálio.

Cresceu significativamente graças a múltiplas aquisições na última década, passando de US$ 600 milhões em receitas em 2013 para US$ 4,7 bilhões em 2024.

A companhia obtém 29 % de sua receita diretamente de lasers, com o restante ligado a equipamentos associados como fibra óptica e eletrônicos. A categoria de instrumentação inclui principalmente ciências da vida e aplicações médicas.

Fonte: Coherent

A presença da empresa em materiais avançados como termofotovoltaicos (que discutimos em um artigo anterior), carbeto de silício, lasers e eletrônicos ajuda-a a se beneficiar de tendências estruturais como o crescimento da manufatura de precisão, manufatura aditiva (impressão 3D), eletrificação e energias renováveis.

A empresa separou recentemente sua unidade de carbeto de silício em uma nova entidade, 75 % de propriedade da Coherent, com o restante dividido igualmente entre seus parceiros Mitsubishi Electric (que traz propriedade intelectual de potência em carbeto de silício) e Denso (que traz sua atividade como fornecedor automotivo em eletrificação e semicondutores de potência).

Isso ocorre porque o carbeto de silício está se tornando cada vez mais uma tecnologia própria, usada principalmente em aplicações de alta potência como veículos elétricos, baterias e energia renovável.

A Coherent é líder em LIDAR e sensoriamento digital 3D, inclusive para aplicações de condução autônoma, biotecnologia Next Generation Sequencing (NGS) Flow Cells, e lasers para fabricação de semicondutores. Espera que seus principais mercados cresçam entre 8 % e 20 %.

Fonte: Coherent

Outras potenciais novas aplicações de lasers, como armas de energia direta, computação fotônica, fusão nuclear e tecnologia espacial, também podem ajudar a sustentar o crescimento de longo prazo da empresa.

No geral, a Coherent está o mais próximo possível de ser uma empresa “pure play” de lasers de capital aberto para investidores interessados no setor, com forte integração vertical e mais de 3 100 patentes protegendo suas inovações.

À medida que a fotônica avança, aumentará progressivamente a demanda por sistemas de laser ultrarrápidos e ultra‑precisos, bem como lasers usados em telecomunicações ópticas.

Últimas Notícias e Desenvolvimentos das Ações da Coherent (COHR)

Estudo Referenciado

^{1. Andrei V. Ermolaev, Mathilde Hary, et al. Limites da propagação não linear e dispersiva em fibra para uma máquina de aprendizado extremo baseada em fibra óptica. Optics Letters. Vol. 50, Número 13, pp. 4166-4169 (2025) https://doi.org/10.1364/OL.562186}