Redes neuronales fotónicas que aprenden directamente en un chip: un nuevo enfoque de la computación óptica en 2026
La inteligencia artificial requiere enormes recursos informáticos, especialmente cuando las redes neuronales deben procesar grandes cantidades de información o adaptarse a tareas desconocidas. Los procesadores electrónicos convencionales realizan estas operaciones de manera eficiente, pero el aumento de las cargas de trabajo plantea dificultades relacionadas con el consumo energético, el acceso a la memoria y la generación de calor. En 2026, los investigadores lograron avances importantes hacia un enfoque diferente: redes neuronales fotónicas que utilizan la luz para realizar cálculos y pueden aprender directamente a través de sus circuitos físicos. Los experimentos publicados durante el año demostraron la viabilidad de la retropropagación dentro del chip, nuevos métodos de entrenamiento óptico y diseños más sofisticados de procesadores fotónicos. Estos avances no significan que los ordenadores ópticos estén preparados para sustituir al hardware convencional de inteligencia artificial. Sin embargo, demuestran que la luz puede desempeñar un papel más activo en el aprendizaje automático que el simple transporte de información entre componentes electrónicos.
Cómo aprenden las redes neuronales fotónicas directamente en un chip
Las redes neuronales tradicionales aprenden ajustando repetidamente las conexiones numéricas entre neuronas artificiales. Durante el entrenamiento, el sistema recibe información, genera una respuesta y la compara con el resultado esperado. Después calcula qué modificaciones internas permitirían reducir el error. Este procedimiento puede implicar miles de millones de operaciones matemáticas, especialmente en los modelos de inteligencia artificial de gran tamaño. Las unidades de procesamiento gráfico se han convertido en componentes esenciales para estas tareas porque pueden realizar numerosos cálculos simultáneamente. No obstante, transferir información entre los procesadores y la memoria requiere una cantidad considerable de energía. Las redes neuronales fotónicas adoptan un enfoque distinto al realizar determinados cálculos mediante el comportamiento físico de la luz que circula por circuitos ópticos especialmente diseñados.
Una red neuronal fotónica típica contiene vías ópticas microscópicas conocidas como guías de onda. Estas estructuras conducen la luz a través del chip de manera similar a como las conexiones eléctricas transportan señales en los procesadores convencionales. Otros componentes, como los moduladores y los interferómetros, controlan la intensidad y la fase de las señales ópticas. Cuando las ondas luminosas interactúan, su comportamiento combinado puede representar operaciones matemáticas utilizadas por las redes neuronales. Por ejemplo, la interferencia óptica permite realizar combinaciones ponderadas de valores de entrada, de modo que un circuito puede procesar varios datos simultáneamente. Algunos diseños también utilizan distintas longitudes de onda para transportar señales independientes a través de componentes compartidos. Esto ofrece posibilidades de procesamiento paralelo, aunque las ventajas prácticas dependen de la arquitectura y de la cantidad de equipos electrónicos adicionales necesarios.
Tradicionalmente, la principal dificultad ha sido entrenar estos circuitos ópticos. Muchas redes neuronales fotónicas anteriores dependían de simulaciones informáticas para determinar la configuración adecuada antes de transferirla al hardware físico. Sin embargo, los componentes ópticos reales casi nunca se comportan exactamente como predicen sus modelos informáticos. Las pequeñas diferencias de fabricación pueden afectar a la propagación de la luz por el circuito, mientras que los cambios de temperatura y las pérdidas ópticas pueden introducir variaciones adicionales. Por tanto, una red neuronal que funciona correctamente en una simulación puede ofrecer resultados menos precisos cuando se implementa en un chip fabricado. El aprendizaje dentro del propio chip aborda este problema ajustando la red según el comportamiento de sus componentes físicos reales. En lugar de depender exclusivamente de una representación digital idealizada, el proceso de entrenamiento tiene en cuenta el funcionamiento del dispositivo óptico mientras está en uso.
La retropropagación en el chip y el avance de Nokia Bell Labs en 2026
La retropropagación es una de las técnicas de aprendizaje más importantes de la inteligencia artificial moderna. Después de que una red neuronal produce una salida, este método calcula cómo han contribuido las conexiones individuales a la diferencia entre los resultados previstos y los esperados. Esta información permite al sistema ajustar sus parámetros y mejorar las predicciones posteriores. Implementar la retropropagación mediante luz supone un desafío porque el entrenamiento requiere algo más que cálculos convencionales en sentido directo. La red también debe admitir las operaciones matemáticas necesarias para determinar las actualizaciones de los parámetros, incluidas las funciones no lineales que permiten reconocer relaciones complejas. Durante muchos años, realizar estas operaciones directamente mediante hardware fotónico resultó difícil, lo que obligaba a los investigadores a recurrir a una importante capacidad de procesamiento electrónico externo.
En marzo de 2026, investigadores de Nokia Bell Labs comunicaron un avance importante en la revista Nature. Su estudio, titulado Integrated Photonic Neural Network with On-Chip Backpropagation Training, presentó una red neuronal profunda fotónica capaz de realizar en un único chip óptico los cálculos neuronales lineales y no lineales necesarios para la retropropagación. Los investigadores utilizaron un entrenamiento basado en descenso de gradiente, lo que permitió a la red modificar su configuración interna en respuesta a los errores. En tareas experimentales de clasificación no lineal, el dispositivo alcanzó una precisión superior al 90 %, comparable con la del modelo digital de referencia utilizado en el estudio. El sistema también demostró resistencia frente a las variaciones introducidas durante la fabricación del chip. Este resultado fue importante porque confirmó que las imperfecciones físicas no impiden necesariamente que una red neuronal óptica aprenda correctamente.
El experimento no eliminó los componentes electrónicos del sistema completo. Seguían siendo necesarios equipos auxiliares, incluidos un microcontrolador, memoria y circuitos electrónicos de control, para coordinar el entrenamiento y gestionar la información. El logro más significativo consistió en que el propio chip óptico realizaba los cálculos neuronales fundamentales implicados tanto en el procesamiento directo como en el inverso. Esto redujo la dependencia de un modelo digital externo para calcular las operaciones internas de aprendizaje de la red. Esta distinción es importante al evaluar las afirmaciones relacionadas con la inteligencia artificial óptica. La demostración de 2026 estableció un método funcional para entrenar una red neuronal mediante hardware fotónico integrado, en lugar de demostrar que ya se había desarrollado un ordenador de inteligencia artificial completamente óptico y de uso general. Supone una base para futuras investigaciones sobre procesadores ópticos más autónomos y adaptables.
Principales avances de las redes neuronales ópticas en 2026
Durante 2026, los investigadores exploraron diferentes enfoques para ampliar las capacidades de las redes neuronales fotónicas. Uno de los avances más importantes estuvo relacionado con la forma en que los circuitos ópticos calculan los ajustes necesarios durante el entrenamiento. En octubre, la revista Nature Computational Science publicó una investigación que presentó un método denominado INSPIRE, abreviatura de In Situ Photonic Gradient Estimation. Esta técnica permite obtener información sobre los gradientes de aprendizaje a partir de mediciones del propio sistema óptico. Resulta especialmente útil porque los circuitos fotónicos complejos pueden presentar características físicas difíciles de reproducir con precisión mediante programas informáticos. Al utilizar información obtenida directamente del dispositivo, los investigadores pueden entrenar el hardware óptico sin depender de un modelo matemático completo de cada componente.
INSPIRE utiliza una técnica de medición basada en holografía sintética de inversión temporal para analizar cómo se propaga la luz por un circuito óptico. Esta información ayuda a determinar cómo influyen los cambios en los ajustes individuales sobre la salida de la red. Los investigadores demostraron el entrenamiento de matrices ópticas con un error relativo aproximado del 0,26 %, lo que indica una elevada precisión en las condiciones experimentales descritas. También estudiaron el aprendizaje mediante estructuras de dispersión óptica e investigaron el metaaprendizaje, un método destinado a ayudar a los sistemas a adaptarse más rápidamente a nuevas tareas. Uno de los experimentos registró una compresión del modelo de 251 veces y una aceleración de 136 veces en el entrenamiento específico para determinadas tareas, en comparación con el enfoque de referencia utilizado en la investigación. Estos resultados no deben interpretarse como mejoras universales frente a los procesadores de inteligencia artificial convencionales, pero ilustran el potencial de los métodos de aprendizaje basados directamente en mediciones ópticas físicas.
Otro avance, presentado en abril de 2026, consistió en una red neuronal fotónica tridimensional programable fabricada dentro de vidrio mediante escritura con láser de femtosegundos. A diferencia de los circuitos ópticos convencionales, que generalmente distribuyen sus conexiones sobre una superficie relativamente plana, este diseño utilizaba trayectorias que se extendían a través de una estructura tridimensional. El dispositivo experimental incorporaba ocho capas y una disposición de canales de 8 por 8. Al evaluarlo mediante el conjunto de referencia MNIST para el reconocimiento de dígitos manuscritos, alcanzó aproximadamente un 93 % de precisión en la clasificación. Los investigadores también comunicaron un rendimiento de cálculo de 6554 billones de operaciones por segundo, según su evaluación experimental. Esta arquitectura no era equivalente al sistema de retropropagación dentro del chip demostrado por Nokia Bell Labs. Sin embargo, mostró cómo las conexiones ópticas tridimensionales pueden ofrecer nuevas posibilidades para construir dispositivos de computación fotónica más grandes y complejos.
Qué revelan los últimos experimentos sobre velocidad y eficiencia energética
Los resultados experimentales comunicados en 2026 demuestran avances significativos, pero su importancia depende de cómo se mida el rendimiento. Una precisión de clasificación superior al 90 % confirma que un sistema óptico puede realizar correctamente una determinada tarea de aprendizaje, aunque no demuestra que el dispositivo pueda competir con aceleradores comerciales avanzados de inteligencia artificial en todas las aplicaciones. Las tareas relacionadas con dígitos manuscritos o problemas de clasificación relativamente pequeños son mucho menos exigentes que el entrenamiento de grandes modelos de lenguaje. Del mismo modo, una cifra elevada de operaciones ópticas por segundo puede describir la capacidad matemática de un circuito especializado y no el rendimiento de un sistema informático completo. Por tanto, evaluar el hardware fotónico requiere comparaciones que tengan en cuenta la complejidad de las tareas, la precisión numérica, la velocidad de procesamiento y los equipos necesarios para utilizar el dispositivo.
La eficiencia energética continúa siendo una de las principales motivaciones para desarrollar la computación óptica. La luz puede realizar determinadas transformaciones matemáticas mediante interferencia y propagación, lo que podría reducir la energía necesaria para ejecutar operaciones numéricas repetitivas. Los circuitos ópticos también pueden procesar varias señales simultáneamente, aprovechando mejor el cálculo paralelo. Sin embargo, generar y controlar luz requiere energía eléctrica. Los láseres, fotodetectores, convertidores de señales y sistemas electrónicos de control contribuyen al consumo total. Algunos dispositivos ópticos también necesitan sistemas de gestión térmica para mantener un funcionamiento estable. Por tanto, la eficiencia de un componente fotónico individual no puede considerarse equivalente a la eficiencia de un procesador completo. Las comparaciones más útiles miden la energía necesaria para completar una tarea específica con un nivel de precisión definido, incluidas todas las operaciones ópticas y electrónicas necesarias.
Otro estudio importante, publicado en Nature Communications en junio de 2026, presentó una arquitectura fotónica de mezcla de expertos. El diseño experimental incorporaba tres núcleos de procesamiento óptico paralelos y 18 unidades de cálculo, lo que permitía que distintos componentes ópticos se especializaran en determinadas operaciones. En tres tareas de clasificación de imágenes, los investigadores registraron una precisión media del 97,1 %. Su enfoque también redujo un 67 % el número de parámetros del sistema digital de procesamiento posterior respecto al diseño de referencia utilizado en el estudio. A diferencia de los sistemas entrenados mediante retropropagación física durante su funcionamiento, las estructuras ópticas de esta arquitectura se configuraron principalmente mediante un entrenamiento completado antes de la fabricación. Esto refleja la diversidad de la investigación fotónica actual. Algunas tecnologías buscan realizar el aprendizaje directamente en el hardware óptico, mientras que otras se centran en acelerar cálculos específicos mediante componentes ópticos previamente configurados. Ambos enfoques pueden resultar útiles, pero abordan problemas de ingeniería diferentes.
Aplicaciones prácticas y futuro de los chips fotónicos de inteligencia artificial
El procesamiento de imágenes a alta velocidad es una de las aplicaciones más prometedoras de las redes neuronales fotónicas. Los circuitos ópticos pueden analizar potencialmente varias señales de manera simultánea, una capacidad que podría resultar valiosa en la inspección industrial, la obtención de imágenes científicas y los sistemas especializados de visión artificial. Por ejemplo, los equipos de fabricación necesitan identificar con frecuencia defectos o patrones inusuales en grandes cantidades de información visual. Un procesador óptico específico podría realizar determinadas operaciones de reconocimiento o filtrado cerca del lugar donde se capturan los datos, reduciendo la cantidad de información transferida a otros componentes informáticos. También existen posibilidades similares en las telecomunicaciones, donde las señales ópticas ya transportan grandes volúmenes de datos. Procesar cierta información directamente mediante hardware óptico podría reducir las conversiones entre formatos ópticos y eléctricos, aunque esta ventaja depende del diseño del sistema completo.
La robótica adaptativa y el control automatizado representan otro ámbito de interés. Las máquinas inteligentes deben responder con frecuencia a condiciones cambiantes, incluidas las variaciones de iluminación, movimiento y entorno. Una red neuronal capaz de ajustar sus parámetros físicos podría adaptarse potencialmente a determinados cambios sin transferir repetidamente todos sus cálculos de aprendizaje a un ordenador independiente. En marzo de 2026, los investigadores describieron un sistema neuronal fotónico de impulsos formado por dos chips especializados, entre ellos una red óptica programable y un componente basado en láser que permitía realizar operaciones no lineales. El sistema se evaluó mediante tareas de aprendizaje por refuerzo como CartPole y Pendulum, utilizadas habitualmente para analizar algoritmos de control. Estos experimentos de laboratorio demostraron que el hardware óptico podía participar en procesos de aprendizaje y toma de decisiones, aunque no establecieron su idoneidad para vehículos autónomos comerciales ni robots industriales.
Los centros de datos también podrían beneficiarse en el futuro de aceleradores fotónicos especializados en inteligencia artificial, especialmente cuando sea necesario realizar grandes cantidades de operaciones matemáticas similares. Las interconexiones ópticas ya desempeñan un papel importante en las comunicaciones de gran ancho de banda, mientras que el cálculo óptico ofrece la posibilidad de procesar determinados datos sin depender exclusivamente de unidades aritméticas electrónicas. Un diseño futuro realista podría combinar procesadores fotónicos con unidades de procesamiento gráfico convencionales y memoria electrónica. Los componentes ópticos podrían encargarse de operaciones matriciales adecuadas, mientras que los procesadores electrónicos gestionarían el almacenamiento, la planificación de tareas, la programación y los cálculos más flexibles. Este enfoque híbrido aprovecharía las ventajas de ambas tecnologías en lugar de intentar sustituir todo el hardware existente. Su adopción comercial dependería de que los sistemas resultantes ofrecieran mejoras medibles en costes, rendimiento y consumo energético en condiciones de funcionamiento reales.
Desafíos técnicos y perspectivas más allá de 2026
A pesar de los avances logrados en 2026, ampliar la escala de las redes neuronales fotónicas sigue siendo complicado. Los circuitos ópticos se vuelven cada vez más complejos a medida que incorporan neuronas, conexiones y parámetros ajustables adicionales. Cada componente puede contribuir a las pérdidas ópticas, mientras que pequeñas diferencias de fabricación pueden modificar el comportamiento de toda la red. Los cambios de temperatura constituyen otra preocupación, ya que algunos componentes fotónicos son sensibles a las condiciones de su entorno. El entrenamiento in situ permite compensar determinadas imperfecciones, pero no puede eliminar todas las limitaciones físicas. Los sistemas de mayor tamaño necesitarán métodos eficientes para controlar las señales ópticas y mantener un rendimiento fiable. Los investigadores también deberán mejorar la uniformidad de fabricación y desarrollar formas prácticas de conectar circuitos fotónicos cada vez más complejos sin introducir pérdidas excesivas ni costes energéticos adicionales.
La memoria y la capacidad de programación plantean nuevos obstáculos. Los procesadores convencionales de inteligencia artificial pueden almacenar grandes cantidades de información y ejecutar numerosos tipos de instrucciones. Los circuitos fotónicos resultan especialmente atractivos para determinadas transformaciones matemáticas, pero proporcionar almacenamiento y control igualmente flexibles mediante componentes exclusivamente ópticos es mucho más difícil. Por ello, la mayoría de los sistemas experimentales siguen dependiendo de la electrónica para realizar funciones auxiliares importantes. El desarrollo de software también representa un desafío. Los ingenieros necesitan herramientas capaces de convertir modelos de redes neuronales en configuraciones de circuitos ópticos, comprobar su comportamiento y ajustarlos cuando sea necesario. La ausencia de métodos de desarrollo ampliamente adoptados complica la integración práctica. La fiabilidad a largo plazo, los requisitos de mantenimiento y los costes de fabricación serán tan importantes como la velocidad de procesamiento en laboratorio a la hora de determinar si los procesadores fotónicos pueden resultar comercialmente útiles.
En noviembre de 2026, las redes neuronales fotónicas ya habían superado la simple demostración de operaciones matemáticas realizadas con luz. La investigación de Nokia Bell Labs estableció que el hardware óptico integrado podía ejecutar los cálculos neuronales necesarios para la retropropagación, mientras que INSPIRE demostró un método preciso de aprendizaje a partir de mediciones físicas de los circuitos ópticos. Los avances en integración tridimensional, procesamiento óptico paralelo y aprendizaje por refuerzo fotónico mostraron nuevas posibilidades para desarrollar esta tecnología. Sin embargo, estos logros continúan siendo experimentales y todavía no demuestran una ventaja universal frente al hardware electrónico de inteligencia artificial establecido. Los próximos hitos importantes incluirán redes neuronales de mayor tamaño, pruebas exigentes con aplicaciones reales, mediciones energéticas de sistemas completos y métodos de fabricación fiables. Si los investigadores consiguen superar estos desafíos, las redes neuronales fotónicas podrían convertirse en componentes especializados valiosos de los futuros sistemas informáticos, permitiendo que la luz y la electrónica compartan las exigentes tareas de la inteligencia artificial.
