Reti neurali fotoniche che apprendono direttamente sul chip: un nuovo approccio al calcolo ottico nel 2026

L’intelligenza artificiale richiede enormi risorse di calcolo, soprattutto quando le reti neurali devono elaborare grandi quantità di informazioni o adattarsi a compiti sconosciuti. I processori elettronici tradizionali gestiscono queste operazioni in modo efficiente, ma i carichi di lavoro crescenti comportano difficoltà legate al consumo energetico, all’accesso alla memoria e alla produzione di calore. Nel 2026, i ricercatori hanno compiuto importanti progressi verso un approccio diverso: le reti neurali fotoniche, che utilizzano la luce per eseguire calcoli e possono apprendere direttamente attraverso i propri circuiti fisici. Gli esperimenti pubblicati nel corso dell’anno hanno dimostrato la possibilità di eseguire la retropropagazione direttamente sul chip, introdotto nuovi metodi di addestramento ottico e presentato progetti di processori fotonici più sofisticati. Questi sviluppi non significano che i computer ottici siano pronti a sostituire l’hardware convenzionale per l’intelligenza artificiale. Dimostrano, tuttavia, che la luce può svolgere un ruolo più attivo nell’apprendimento automatico, andando oltre la semplice trasmissione di informazioni tra componenti elettronici.

Come apprendono direttamente sul chip le reti neurali fotoniche

Le reti neurali tradizionali apprendono modificando ripetutamente i valori numerici delle connessioni tra neuroni artificiali. Durante l’addestramento, il sistema riceve informazioni, produce una risposta e la confronta con il risultato atteso. Successivamente calcola quali modifiche interne potrebbero ridurre l’errore. Questa procedura può richiedere miliardi di operazioni matematiche, soprattutto nei modelli di intelligenza artificiale di grandi dimensioni. Le unità di elaborazione grafica sono diventate fondamentali per questi carichi di lavoro perché possono eseguire numerosi calcoli contemporaneamente. Tuttavia, il trasferimento delle informazioni tra processori e memoria richiede una quantità considerevole di energia. Le reti neurali fotoniche adottano un approccio differente, eseguendo determinati calcoli attraverso il comportamento fisico della luce che attraversa circuiti ottici appositamente progettati.

Una tipica rete neurale fotonica contiene percorsi ottici microscopici chiamati guide d’onda. Queste strutture guidano la luce attraverso un chip, in modo simile a come le connessioni elettriche trasportano i segnali nei processori convenzionali. Altri componenti, tra cui modulatori e interferometri, controllano l’intensità e la fase dei segnali ottici. Quando le onde luminose interagiscono, il loro comportamento combinato può rappresentare le operazioni matematiche utilizzate dalle reti neurali. Per esempio, l’interferenza ottica può eseguire combinazioni pesate dei valori in ingresso, consentendo a un circuito di elaborare contemporaneamente diverse informazioni. Alcuni progetti utilizzano anche differenti lunghezze d’onda della luce per trasportare segnali separati attraverso componenti condivisi. Questo crea opportunità di elaborazione parallela, anche se i vantaggi pratici dipendono dall’architettura e dalla quantità di apparecchiature elettroniche aggiuntive necessarie.

La difficoltà principale è stata tradizionalmente l’addestramento di questi circuiti ottici. Molte delle prime reti neurali fotoniche si affidavano a simulazioni software per determinare le impostazioni appropriate prima di trasferirle all’hardware fisico. Tuttavia, i componenti ottici reali raramente si comportano esattamente come previsto dai modelli informatici. Minime differenze di fabbricazione possono influenzare il movimento della luce attraverso un circuito, mentre le variazioni di temperatura e le perdite ottiche possono introdurre ulteriori alterazioni. Una rete neurale che funziona bene in simulazione può quindi produrre risultati meno accurati quando viene implementata su un chip reale. L’apprendimento direttamente sul chip affronta questo problema adattando la rete al comportamento dei suoi componenti fisici. Anziché dipendere interamente da una rappresentazione digitale idealizzata, il processo di addestramento tiene conto del funzionamento effettivo del dispositivo ottico.

Retropropagazione sul chip e la svolta dei Nokia Bell Labs nel 2026

La retropropagazione, nota anche come backpropagation, è una delle tecniche di apprendimento più importanti dell’intelligenza artificiale moderna. Dopo che una rete neurale ha prodotto un risultato, il metodo calcola in che modo le singole connessioni hanno contribuito alla differenza tra il valore previsto e quello atteso. Queste informazioni permettono al sistema di modificare i propri parametri e migliorare le previsioni successive. Implementare la retropropagazione attraverso la luce è complesso, perché l’addestramento richiede più dei normali calcoli diretti. La rete deve supportare anche le operazioni matematiche necessarie per determinare gli aggiornamenti dei parametri, comprese le funzioni non lineari che le consentono di riconoscere relazioni complesse. Per molti anni è stato difficile eseguire queste operazioni direttamente nell’hardware fotonico, costringendo i ricercatori a ricorrere a una notevole quantità di elaborazione elettronica esterna.

Nel marzo 2026, i ricercatori dei Nokia Bell Labs hanno presentato un importante progresso sulla rivista Nature. Il loro studio, intitolato Integrated Photonic Neural Network with On-Chip Backpropagation Training, ha dimostrato il funzionamento di una rete neurale profonda fotonica capace di eseguire su un singolo chip ottico i calcoli neurali lineari e non lineari necessari alla retropropagazione. I ricercatori hanno utilizzato l’addestramento mediante discesa del gradiente, consentendo alla rete di modificare le proprie impostazioni interne in risposta agli errori. Nei compiti sperimentali di classificazione non lineare, il dispositivo ha raggiunto un’accuratezza superiore al 90%, paragonabile a quella del modello digitale di riferimento utilizzato nello studio. Il sistema ha inoltre dimostrato una buona robustezza rispetto alle variazioni introdotte durante la fabbricazione del chip. Si tratta di un risultato importante perché ha mostrato che le imperfezioni fisiche non impediscono necessariamente a una rete neurale ottica di apprendere con successo.

L’esperimento non ha eliminato i componenti elettronici dal sistema completo. Per coordinare l’addestramento e gestire le informazioni sono rimaste necessarie apparecchiature di supporto, tra cui un microcontrollore, memoria e circuiti elettronici di controllo. Il risultato significativo è stato che il chip ottico stesso ha eseguito i calcoli neurali essenziali coinvolti sia nell’elaborazione diretta sia in quella inversa. Questo ha ridotto la dipendenza da un modello digitale esterno per il calcolo delle operazioni interne di apprendimento della rete. La distinzione è importante quando si valutano le affermazioni sull’intelligenza artificiale ottica. La dimostrazione del 2026 ha stabilito un metodo funzionante per addestrare una rete neurale attraverso hardware fotonico integrato, senza però dimostrare che fosse stato sviluppato un computer completamente ottico per l’intelligenza artificiale di uso generale. Il risultato costituisce una base per ulteriori ricerche su processori ottici più autonomi e adattabili.

I principali progressi delle reti neurali ottiche nel 2026

Nel corso del 2026, i ricercatori hanno seguito diversi approcci per rendere le reti neurali fotoniche più capaci. Uno degli sviluppi più significativi ha riguardato il modo in cui i circuiti ottici calcolano le modifiche necessarie durante l’addestramento. A ottobre, Nature Computational Science ha pubblicato una ricerca che introduceva un metodo chiamato INSPIRE, acronimo di In Situ Photonic Gradient Estimation. La tecnica permette di ricavare informazioni sui gradienti di apprendimento attraverso misurazioni del sistema ottico reale. Questo è particolarmente utile perché i circuiti fotonici complessi possono presentare caratteristiche fisiche difficili da riprodurre accuratamente mediante software. Utilizzando informazioni raccolte direttamente dal dispositivo, i ricercatori possono addestrare l’hardware ottico senza dipendere da un modello matematico completo di ogni componente.

INSPIRE utilizza una tecnica di misurazione basata sull’olografia sintetica a inversione temporale per analizzare come la luce si propaga attraverso un circuito ottico. Queste informazioni aiutano a determinare in che modo le modifiche alle singole impostazioni influenzeranno il risultato della rete. I ricercatori hanno dimostrato l’addestramento di matrici ottiche con un errore relativo di circa lo 0,26%, indicando un’elevata precisione nelle condizioni sperimentali riportate. Hanno inoltre esaminato l’apprendimento attraverso strutture di diffusione ottica e studiato il meta-apprendimento, un metodo progettato per aiutare i sistemi ad adattarsi più rapidamente a nuovi compiti. Un esperimento ha riportato una compressione del modello pari a 251 volte e un’accelerazione di 136 volte nell’addestramento specifico per il compito rispetto all’approccio di riferimento utilizzato nella ricerca. Questi risultati non devono essere interpretati come miglioramenti universali rispetto ai processori convenzionali per l’intelligenza artificiale, ma illustrano il potenziale dei metodi di apprendimento basati direttamente su misurazioni ottiche fisiche.

Un altro sviluppo, presentato nell’aprile 2026, ha riguardato una rete neurale fotonica tridimensionale programmabile, fabbricata all’interno del vetro mediante scrittura laser a femtosecondi. A differenza dei circuiti ottici convenzionali, che generalmente dispongono le connessioni su una superficie relativamente piatta, questo progetto utilizzava percorsi distribuiti attraverso una struttura tridimensionale. Il dispositivo sperimentale comprendeva otto livelli e una configurazione di canali 8×8. Durante la valutazione mediante il benchmark MNIST per il riconoscimento delle cifre scritte a mano, ha raggiunto un’accuratezza di classificazione di circa il 93%. I ricercatori hanno inoltre riportato una capacità di elaborazione di 6.554 bilioni di operazioni al secondo, secondo la valutazione sperimentale adottata. Questa architettura non era equivalente al sistema di retropropagazione sul chip dimostrato dai Nokia Bell Labs. Tuttavia, ha mostrato come le connessioni ottiche tridimensionali possano offrire ulteriori possibilità per costruire dispositivi di calcolo fotonico più grandi e complessi.

Cosa rivelano gli ultimi esperimenti su velocità ed efficienza energetica

I risultati sperimentali riportati nel 2026 dimostrano progressi significativi, ma la loro importanza dipende dal modo in cui vengono misurate le prestazioni. Un’accuratezza di classificazione superiore al 90% conferma che un sistema ottico può svolgere con successo un determinato compito di apprendimento, ma non dimostra che il dispositivo possa competere con gli acceleratori commerciali avanzati per l’intelligenza artificiale in tutte le applicazioni. I compiti che coinvolgono cifre scritte a mano o problemi di classificazione relativamente piccoli sono molto meno impegnativi dell’addestramento dei grandi modelli linguistici. Allo stesso modo, un numero elevato di operazioni ottiche al secondo può descrivere la capacità matematica di un circuito specializzato, anziché le prestazioni di un sistema di calcolo completo. La valutazione dell’hardware fotonico richiede quindi confronti che tengano conto della complessità del compito, della precisione numerica, della velocità di elaborazione e delle apparecchiature necessarie al funzionamento del dispositivo.

L’efficienza energetica rimane una delle motivazioni principali alla base del calcolo ottico. La luce può eseguire determinate trasformazioni matematiche attraverso interferenza e propagazione, riducendo potenzialmente l’energia richiesta per operazioni numeriche ripetute. I circuiti ottici possono inoltre elaborare diversi segnali contemporaneamente, consentendo un maggiore utilizzo del calcolo parallelo. Tuttavia, produrre e controllare la luce richiede energia elettrica. Laser, fotorivelatori, convertitori di segnale e componenti elettronici di controllo contribuiscono tutti al consumo complessivo. Alcuni dispositivi ottici richiedono anche una gestione termica per mantenere prestazioni stabili. Di conseguenza, l’efficienza di un singolo componente fotonico non può essere considerata equivalente a quella di un intero processore. I confronti più significativi misurano l’energia necessaria per completare un determinato compito con un livello di accuratezza definito, includendo tutte le operazioni ottiche ed elettroniche necessarie.

Un altro importante studio pubblicato su Nature Communications nel giugno 2026 ha dimostrato un’architettura fotonica mixture-of-experts, basata su un insieme di componenti specializzati. Il progetto sperimentale comprendeva tre nuclei di elaborazione ottica paralleli e 18 unità di calcolo, consentendo ai diversi componenti ottici di specializzarsi in operazioni specifiche. In tre compiti di classificazione delle immagini, i ricercatori hanno riportato un’accuratezza media del 97,1%. Il loro approccio ha inoltre ridotto del 67% il numero di parametri della parte digitale finale rispetto al progetto di riferimento utilizzato nello studio. A differenza dei sistemi addestrati mediante retropropagazione fisica durante il funzionamento, le strutture ottiche di questa architettura erano state configurate principalmente attraverso un addestramento completato prima della fabbricazione. Questo evidenzia la varietà delle attuali ricerche nel campo della fotonica. Alcune tecnologie mirano a eseguire l’apprendimento direttamente sull’hardware ottico, mentre altre si concentrano sull’accelerazione di calcoli specifici mediante componenti ottici preconfigurati. Entrambi gli approcci possono rivelarsi utili, ma affrontano problemi ingegneristici differenti.

Applicazioni pratiche e futuro dei chip fotonici per l’intelligenza artificiale

L’elaborazione delle immagini ad alta velocità è una delle applicazioni più promettenti per le reti neurali fotoniche. I circuiti ottici possono potenzialmente analizzare diversi segnali contemporaneamente, una caratteristica che potrebbe essere utile nell’ispezione industriale, nell’imaging scientifico e nei sistemi specializzati di visione artificiale. Per esempio, le apparecchiature di produzione devono spesso identificare difetti o anomalie all’interno di grandi quantità di informazioni visive. Un processore ottico dedicato potrebbe eseguire determinate operazioni di riconoscimento o filtraggio vicino al punto in cui i dati vengono acquisiti, riducendo la quantità di informazioni trasferite ad altri componenti di calcolo. Possibilità simili esistono nelle telecomunicazioni, dove i segnali ottici trasportano già enormi volumi di dati. Elaborare determinate informazioni direttamente nell’hardware ottico potrebbe ridurre le conversioni tra segnali ottici ed elettrici, anche se questo vantaggio dipende dalla progettazione del sistema completo.

La robotica adattiva e il controllo automatizzato rappresentano un altro settore di interesse. Le macchine intelligenti devono spesso rispondere a condizioni mutevoli, comprese variazioni nell’illuminazione, nei movimenti e nell’ambiente circostante. Una rete neurale capace di modificare i propri parametri fisici potrebbe potenzialmente adattarsi a determinati cambiamenti senza trasferire ripetutamente tutti i calcoli di apprendimento a un computer separato. Nel marzo 2026, i ricercatori hanno descritto un sistema neurale fotonico a impulsi che comprendeva due chip specializzati, tra cui una rete ottica programmabile e un componente basato su laser per supportare operazioni non lineari. Il sistema è stato testato attraverso compiti di apprendimento per rinforzo come CartPole e Pendulum, comunemente utilizzati per valutare gli algoritmi di controllo. Questi esperimenti di laboratorio hanno dimostrato che l’hardware ottico può partecipare ai processi di apprendimento e decisionali, ma non ne hanno stabilito l’idoneità per veicoli autonomi commerciali o robot industriali.

In futuro, anche i centri dati potrebbero beneficiare di acceleratori fotonici specializzati per l’intelligenza artificiale, soprattutto quando è necessario eseguire un gran numero di operazioni matematiche simili. Le interconnessioni ottiche svolgono già un ruolo importante nelle comunicazioni ad alta larghezza di banda, mentre il calcolo ottico offre la possibilità di elaborare determinate informazioni senza dipendere esclusivamente dalle unità aritmetiche elettroniche. Un possibile progetto futuro potrebbe combinare processori fotonici con unità di elaborazione grafica convenzionali e memoria elettronica. I componenti ottici potrebbero gestire operazioni matriciali appropriate, mentre i processori elettronici si occuperebbero della memorizzazione, della pianificazione delle operazioni, della programmazione e dei calcoli più flessibili. Questo approccio ibrido permetterebbe di sfruttare i punti di forza di entrambe le tecnologie, anziché tentare di sostituire tutto l’hardware esistente. L’adozione commerciale dipenderebbe dalla capacità dei sistemi risultanti di offrire vantaggi misurabili in termini di costi, prestazioni e consumo energetico nelle reali condizioni operative.

Le sfide tecniche e cosa aspettarsi dopo il 2026

Nonostante i progressi raggiunti nel 2026, aumentare le dimensioni delle reti neurali fotoniche rimane difficile. I circuiti ottici diventano sempre più complessi con l’aggiunta di neuroni, connessioni e parametri regolabili. Ogni componente può contribuire alle perdite ottiche, mentre piccole differenze di fabbricazione possono modificare il comportamento dell’intera rete. Anche le variazioni di temperatura rappresentano un problema, poiché alcuni componenti fotonici sono sensibili alle condizioni ambientali. L’addestramento in situ offre un modo per compensare determinate imperfezioni, ma non può eliminare tutti i limiti fisici. I sistemi più grandi richiederanno metodi efficienti per controllare i segnali ottici mantenendo prestazioni affidabili. I ricercatori dovranno inoltre migliorare la uniformità dei processi produttivi e sviluppare soluzioni pratiche per collegare circuiti fotonici sempre più complessi senza introdurre perdite eccessive o ulteriori costi energetici.

La memoria e la programmabilità presentano ulteriori ostacoli. I processori convenzionali per l’intelligenza artificiale possono memorizzare grandi quantità di informazioni ed eseguire numerosi tipi di istruzioni. I circuiti fotonici sono particolarmente interessanti per determinate trasformazioni matematiche, ma ottenere capacità di memorizzazione e controllo altrettanto flessibili utilizzando esclusivamente componenti ottici è molto più difficile. Di conseguenza, la maggior parte dei sistemi sperimentali continua a dipendere dall’elettronica per importanti funzioni di supporto. Anche lo sviluppo software rimane una sfida. Gli ingegneri hanno bisogno di strumenti capaci di tradurre i modelli delle reti neurali in impostazioni dei circuiti ottici, verificarne il comportamento e modificarli quando necessario. La mancanza di metodi di sviluppo ampiamente adottati rende più complicata l’integrazione pratica. L’affidabilità nel lungo periodo, le esigenze di manutenzione e i costi di produzione saranno importanti quanto la velocità di elaborazione in laboratorio per determinare se i processori fotonici potranno diventare commercialmente utili.

Entro novembre 2026, le reti neurali fotoniche avevano superato la semplice dimostrazione di operazioni matematiche eseguite con la luce. La ricerca dei Nokia Bell Labs ha stabilito che l’hardware ottico integrato può eseguire i calcoli neurali necessari alla retropropagazione, mentre INSPIRE ha dimostrato un metodo preciso per apprendere attraverso misurazioni fisiche dei circuiti ottici. I progressi nell’integrazione tridimensionale, nell’elaborazione ottica parallela e nell’apprendimento per rinforzo fotonico hanno mostrato ulteriori possibilità di sviluppo della tecnologia. Tuttavia, questi risultati rimangono sperimentali e non dimostrano ancora un vantaggio universale rispetto all’hardware elettronico consolidato per l’intelligenza artificiale. Le prossime tappe fondamentali riguarderanno reti neurali più grandi, test impegnativi basati su applicazioni reali, misurazioni energetiche dell’intero sistema e metodi di produzione affidabili. Se i ricercatori riusciranno ad affrontare queste sfide, le reti neurali fotoniche potranno diventare componenti specializzati di valore nei futuri sistemi di calcolo, permettendo alla luce e all’elettronica di condividere il complesso lavoro richiesto dall’intelligenza artificiale.