Redes Neuronais Fotónicas que Aprendem Diretamente no Chip: Uma Nova Abordagem à Computação Ótica em 2026

A inteligência artificial exige enormes recursos computacionais, sobretudo quando as redes neuronais precisam de processar grandes quantidades de informação ou adaptar-se a tarefas desconhecidas. Os processadores eletrónicos convencionais executam estas operações de forma eficiente, mas o aumento das cargas de trabalho cria desafios relacionados com o consumo de energia, o acesso à memória e a produção de calor. Em 2026, os investigadores alcançaram progressos importantes no desenvolvimento de uma abordagem diferente: redes neuronais fotónicas que utilizam a luz para efetuar cálculos e conseguem aprender diretamente através dos seus circuitos físicos. As experiências publicadas ao longo do ano demonstraram a retropropagação no próprio chip, novos métodos de treino ótico e arquiteturas mais sofisticadas de processadores fotónicos. Estes avanços não significam que os computadores óticos estejam preparados para substituir o hardware convencional de inteligência artificial. Demonstram, contudo, que a luz pode desempenhar um papel mais ativo na aprendizagem automática do que simplesmente transmitir informação entre componentes eletrónicos.

Como as Redes Neuronais Fotónicas Aprendem Diretamente no Chip

As redes neuronais tradicionais aprendem através do ajuste repetido das ligações numéricas entre neurónios artificiais. Durante o treino, o sistema recebe informação, produz uma resposta e compara essa resposta com o resultado esperado. Em seguida, calcula quais os ajustes internos que permitiriam reduzir o erro. Este procedimento pode envolver milhares de milhões de operações matemáticas, especialmente nos modelos de inteligência artificial de grande dimensão. As unidades de processamento gráfico tornaram-se essenciais para estas cargas de trabalho porque conseguem executar muitos cálculos em simultâneo. No entanto, a transferência de informação entre os processadores e a memória exige uma quantidade considerável de energia. As redes neuronais fotónicas seguem uma abordagem diferente, realizando determinados cálculos através do comportamento físico da luz que percorre circuitos óticos especialmente concebidos.

Uma rede neuronal fotónica típica contém percursos óticos microscópicos conhecidos como guias de onda. Estas estruturas conduzem a luz através de um chip, de forma semelhante às ligações elétricas que transportam sinais nos processadores convencionais. Outros componentes, incluindo moduladores e interferómetros, controlam a intensidade e a fase dos sinais óticos. Quando as ondas luminosas interagem, o seu comportamento combinado pode representar operações matemáticas utilizadas pelas redes neuronais. Por exemplo, a interferência ótica pode realizar combinações ponderadas de valores de entrada, permitindo que um circuito processe várias informações simultaneamente. Algumas arquiteturas também utilizam diferentes comprimentos de onda para transportar sinais separados através de componentes partilhados. Isto cria oportunidades para o processamento paralelo, embora os benefícios práticos dependam da arquitetura e da quantidade de equipamento eletrónico adicional necessário.

A principal dificuldade tem sido, tradicionalmente, o treino destes circuitos óticos. Muitas das primeiras redes neuronais fotónicas dependiam de simulações informáticas para determinar as configurações adequadas antes de as transferirem para o hardware físico. Contudo, os componentes óticos reais raramente se comportam exatamente como os modelos informáticos preveem. Pequenas diferenças de fabrico podem afetar a forma como a luz se desloca através de um circuito, enquanto as alterações de temperatura e as perdas óticas podem introduzir variações adicionais. Por isso, uma rede neuronal que apresenta bons resultados numa simulação pode tornar-se menos precisa quando implementada num chip fabricado. A aprendizagem diretamente no chip procura resolver este problema, ajustando a rede de acordo com o comportamento dos seus componentes físicos reais. Em vez de depender inteiramente de uma representação digital idealizada, o processo de treino tem em conta o funcionamento efetivo do dispositivo ótico.

Retropropagação no Chip e o Avanço da Nokia Bell Labs em 2026

A retropropagação é uma das técnicas de aprendizagem mais importantes da inteligência artificial moderna. Depois de uma rede neuronal produzir um resultado, o método calcula de que forma as ligações individuais contribuíram para a diferença entre os valores previstos e os esperados. Esta informação permite ao sistema ajustar os seus parâmetros e melhorar as previsões seguintes. Implementar a retropropagação através da luz é um desafio, porque o treino exige mais do que simples cálculos na direção de entrada para saída. A rede também precisa de executar as operações matemáticas necessárias para determinar as atualizações dos parâmetros, incluindo funções não lineares que lhe permitem reconhecer relações complexas. Durante muitos anos, a execução destas operações diretamente em hardware fotónico continuou a ser difícil, obrigando os investigadores a recorrer a uma quantidade significativa de processamento eletrónico externo.

Em março de 2026, investigadores da Nokia Bell Labs apresentaram um avanço importante na revista científica Nature. O estudo, intitulado Integrated Photonic Neural Network with On-Chip Backpropagation Training, demonstrou uma rede neuronal profunda fotónica capaz de executar, num único chip ótico, os cálculos neuronais lineares e não lineares necessários à retropropagação. Os investigadores utilizaram o treino por descida do gradiente, permitindo que a rede modificasse as suas configurações internas em resposta aos erros. Em tarefas experimentais de classificação não linear, o dispositivo alcançou uma precisão superior a 90%, comparável à do modelo digital de referência utilizado no estudo. O sistema também demonstrou resistência às variações introduzidas durante o fabrico do chip. Este resultado foi importante porque mostrou que as imperfeições físicas não impedem necessariamente uma rede neuronal ótica de aprender com sucesso.

A experiência não eliminou os componentes eletrónicos do sistema completo. Continuou a ser necessário equipamento de apoio, incluindo um microcontrolador, memória e circuitos eletrónicos de controlo, para coordenar o treino e gerir a informação. A conquista mais significativa foi o facto de o próprio chip ótico executar os cálculos neuronais essenciais envolvidos tanto no processamento direto como no processamento inverso. Isto reduziu a dependência de um modelo digital externo para calcular as operações internas de aprendizagem da rede. Esta distinção é importante quando se avaliam afirmações sobre inteligência artificial ótica. A demonstração de 2026 estabeleceu um método funcional para treinar uma rede neuronal através de hardware fotónico integrado, mas não provou que tivesse sido desenvolvido um computador de inteligência artificial totalmente ótico e de utilização geral. Constitui uma base para futuras investigações sobre processadores óticos mais autónomos e adaptáveis.

Principais Avanços na Tecnologia das Redes Neuronais Óticas em 2026

Durante 2026, os investigadores seguiram várias abordagens para aumentar as capacidades das redes neuronais fotónicas. Um dos desenvolvimentos mais significativos esteve relacionado com a forma como os circuitos óticos calculam os ajustes necessários durante o treino. Em outubro, a revista Nature Computational Science publicou um estudo que apresentou um método denominado INSPIRE, associado à estimativa de gradientes fotónicos diretamente no dispositivo físico. A técnica permite obter informações sobre os gradientes de aprendizagem a partir de medições do próprio sistema ótico. Isto é especialmente útil porque os circuitos fotónicos complexos podem apresentar características físicas difíceis de reproduzir com precisão em programas informáticos. Ao utilizar informações recolhidas diretamente do dispositivo, os investigadores conseguem treinar hardware ótico sem depender de um modelo matemático completo de cada componente.

O INSPIRE utiliza uma técnica de medição que envolve holografia sintética de inversão temporal para analisar a propagação da luz através de um circuito ótico. Esta informação ajuda a determinar de que forma as alterações nas configurações individuais influenciam o resultado da rede. Os investigadores demonstraram o treino de matrizes óticas com um erro relativo de aproximadamente 0,26%, indicando elevada precisão nas condições experimentais descritas. Também estudaram a aprendizagem através de estruturas de dispersão ótica e investigaram a meta-aprendizagem, um método destinado a ajudar os sistemas a adaptarem-se mais rapidamente a novas tarefas. Uma das experiências apresentou uma compressão do modelo de 251 vezes e uma aceleração de 136 vezes no treino específico de determinadas tarefas, em comparação com a abordagem de referência utilizada na investigação. Estes resultados não devem ser interpretados como melhorias universais em relação aos processadores convencionais de inteligência artificial, mas ilustram o potencial dos métodos de aprendizagem baseados diretamente em medições físicas da luz.

Outro desenvolvimento, apresentado em abril de 2026, envolveu uma rede neuronal fotónica tridimensional programável, fabricada no interior de vidro através de escrita com laser de femtossegundos. Ao contrário dos circuitos óticos convencionais, que geralmente organizam as suas ligações numa superfície relativamente plana, esta arquitetura utilizou percursos distribuídos por uma estrutura tridimensional. O dispositivo experimental apresentava oito camadas e uma disposição de canais de 8 por 8. Quando foi avaliado através do conjunto de referência MNIST, utilizado para o reconhecimento de algarismos manuscritos, alcançou aproximadamente 93% de precisão na classificação. Os investigadores também comunicaram uma capacidade de processamento de 6 554 biliões de operações por segundo, de acordo com a avaliação experimental realizada. Esta arquitetura não era equivalente ao sistema de retropropagação no chip demonstrado pela Nokia Bell Labs. Ainda assim, mostrou como as ligações óticas tridimensionais podem oferecer novas possibilidades para construir dispositivos de computação fotónica maiores e mais complexos.

O Que as Experiências Mais Recentes Revelam Sobre Velocidade e Eficiência Energética

Os resultados experimentais apresentados em 2026 demonstram progressos significativos, mas a sua importância depende da forma como o desempenho é medido. Uma precisão de classificação superior a 90% confirma que um sistema ótico consegue executar com sucesso uma determinada tarefa de aprendizagem, mas não demonstra que o dispositivo possa competir com aceleradores comerciais avançados de inteligência artificial em todas as aplicações. As tarefas que envolvem algarismos manuscritos ou problemas de classificação relativamente pequenos são consideravelmente menos exigentes do que o treino de grandes modelos de linguagem. Da mesma forma, um número impressionante de operações óticas por segundo pode descrever a capacidade matemática de um circuito especializado, e não o desempenho de um sistema informático completo. A avaliação do hardware fotónico exige, por isso, comparações que considerem a complexidade das tarefas, a precisão numérica, a velocidade de processamento e o equipamento necessário para operar o dispositivo.

A eficiência energética continua a ser uma das principais motivações para o desenvolvimento da computação ótica. A luz consegue realizar determinadas transformações matemáticas através da interferência e da propagação, podendo reduzir a energia necessária para operações numéricas repetitivas. Os circuitos óticos também podem processar vários sinais em simultâneo, permitindo um maior aproveitamento do processamento paralelo. Contudo, produzir e controlar a luz exige energia elétrica. Os lasers, fotodetetores, conversores de sinais e componentes eletrónicos de controlo contribuem para o consumo total. Alguns dispositivos óticos também necessitam de gestão térmica para manter um desempenho estável. Consequentemente, a eficiência de um componente fotónico isolado não pode ser considerada equivalente à eficiência de um processador completo. As comparações mais relevantes medem a energia necessária para concluir uma tarefa específica com um determinado nível de precisão, incluindo todas as operações óticas e eletrónicas indispensáveis.

Outro estudo importante, publicado na Nature Communications em junho de 2026, demonstrou uma arquitetura fotónica de mistura de especialistas. O projeto experimental continha três núcleos de processamento ótico paralelos e 18 unidades computacionais, permitindo que diferentes componentes óticos se especializassem em operações específicas. Em três tarefas de classificação de imagens, os investigadores comunicaram uma precisão média de 97,1%. A abordagem também reduziu em 67% o número de parâmetros do sistema digital de processamento final, em comparação com a arquitetura de referência utilizada no estudo. Ao contrário dos sistemas treinados através de retropropagação física durante o funcionamento, as estruturas óticas desta arquitetura foram configuradas principalmente através de um treino realizado antes do fabrico. Isto demonstra a diversidade da investigação fotónica atual. Algumas tecnologias procuram realizar a aprendizagem diretamente no hardware ótico, enquanto outras se concentram em acelerar cálculos específicos através de componentes óticos previamente configurados. Ambas as abordagens podem revelar-se úteis, mas procuram resolver problemas de engenharia diferentes.

Aplicações Práticas e o Futuro dos Chips Fotónicos de Inteligência Artificial

O processamento de imagens a alta velocidade está entre as aplicações mais promissoras das redes neuronais fotónicas. Os circuitos óticos podem analisar vários sinais em simultâneo, uma capacidade potencialmente valiosa na inspeção industrial, na imagiologia científica e em sistemas especializados de visão computacional. Por exemplo, os equipamentos de produção industrial precisam frequentemente de identificar defeitos ou padrões invulgares em grandes quantidades de informação visual. Um processador ótico dedicado poderia executar determinadas operações de reconhecimento ou filtragem próximo do local onde os dados são captados, reduzindo a quantidade de informação transferida para outros componentes informáticos. Existem possibilidades semelhantes nas telecomunicações, onde os sinais óticos já transportam volumes consideráveis de dados. Processar determinadas informações diretamente em hardware ótico poderia reduzir as conversões entre formatos óticos e elétricos, embora esta vantagem dependa da conceção do sistema completo.

A robótica adaptativa e o controlo automatizado constituem outra área de interesse. As máquinas inteligentes precisam frequentemente de responder a condições variáveis, incluindo alterações de iluminação, movimento e características do ambiente envolvente. Uma rede neuronal capaz de ajustar os seus parâmetros físicos poderia, potencialmente, adaptar-se a determinadas mudanças sem transferir repetidamente todos os cálculos de aprendizagem para um computador separado. Em março de 2026, investigadores descreveram um sistema neuronal fotónico de impulsos que envolvia dois chips especializados, incluindo uma rede ótica programável e um componente baseado em laser que permitia operações não lineares. O sistema foi testado através de tarefas de aprendizagem por reforço, como CartPole e Pendulum, frequentemente utilizadas para avaliar algoritmos de controlo. Estas experiências laboratoriais demonstraram que o hardware ótico podia participar em processos de aprendizagem e tomada de decisões, embora não tenham comprovado a sua adequação a veículos autónomos comerciais ou robôs industriais.

Os centros de dados também poderão beneficiar, no futuro, de aceleradores fotónicos especializados em inteligência artificial, especialmente quando for necessário executar grandes quantidades de operações matemáticas semelhantes. As interligações óticas já desempenham um papel importante nas comunicações de elevada largura de banda, e a computação ótica oferece a possibilidade de processar determinadas informações sem depender exclusivamente de unidades aritméticas eletrónicas. Uma arquitetura futura realista poderá combinar processadores fotónicos com unidades de processamento gráfico convencionais e memória eletrónica. Os componentes óticos poderão executar operações matriciais adequadas às suas características, enquanto os processadores eletrónicos continuarão responsáveis pelo armazenamento, pela organização das tarefas, pela programação e por cálculos mais flexíveis. Esta abordagem híbrida aproveitaria os pontos fortes de ambas as tecnologias, em vez de procurar substituir todo o hardware existente. A adoção comercial dependerá da capacidade destes sistemas para oferecer vantagens mensuráveis em termos de custos, desempenho e consumo de energia em condições reais de funcionamento.

Desafios Técnicos e Perspetivas para Além de 2026

Apesar dos progressos alcançados em 2026, aumentar a dimensão das redes neuronais fotónicas continua a ser difícil. Os circuitos óticos tornam-se progressivamente mais complexos à medida que são introduzidos neurónios, ligações e parâmetros ajustáveis adicionais. Cada componente pode contribuir para perdas óticas, enquanto pequenas diferenças de fabrico podem alterar o comportamento da rede completa. As variações de temperatura constituem outra preocupação, porque alguns componentes fotónicos são sensíveis às condições do ambiente envolvente. O treino diretamente no dispositivo oferece uma forma de compensar determinadas imperfeições, mas não consegue eliminar todas as limitações físicas. Os sistemas de maior dimensão precisarão de métodos eficientes para controlar os sinais óticos e, simultaneamente, manter um desempenho fiável. Os investigadores também terão de melhorar a consistência dos processos de fabrico e desenvolver formas práticas de interligar circuitos fotónicos cada vez mais complexos sem introduzir perdas excessivas ou custos energéticos adicionais.

A memória e a programabilidade apresentam outros obstáculos. Os processadores convencionais de inteligência artificial conseguem armazenar grandes quantidades de informação e executar muitos tipos diferentes de instruções. Os circuitos fotónicos são particularmente interessantes para determinadas transformações matemáticas, mas disponibilizar armazenamento e controlo igualmente flexíveis exclusivamente através de componentes óticos é consideravelmente mais difícil. Por esta razão, a maioria dos sistemas experimentais continua a depender de componentes eletrónicos para importantes funções de apoio. O desenvolvimento de software também permanece um desafio. Os engenheiros precisam de ferramentas capazes de converter modelos de redes neuronais em configurações de circuitos óticos, testar o comportamento desses circuitos e ajustá-los quando necessário. A ausência de métodos de desenvolvimento amplamente adotados torna a integração prática mais complicada. A fiabilidade a longo prazo, as necessidades de manutenção e os custos de fabrico serão tão importantes como a velocidade de processamento em laboratório para determinar se os processadores fotónicos poderão tornar-se comercialmente úteis.

Em novembro de 2026, as redes neuronais fotónicas já tinham ultrapassado a fase de simples demonstração de operações matemáticas realizadas com luz. A investigação da Nokia Bell Labs estabeleceu que o hardware ótico integrado podia executar os cálculos neuronais necessários à retropropagação, enquanto o INSPIRE demonstrou um método preciso de aprendizagem baseado em medições físicas dos circuitos óticos. Os avanços na integração tridimensional, no processamento ótico paralelo e na aprendizagem por reforço fotónica revelaram outras possibilidades de desenvolvimento tecnológico. Contudo, estas conquistas continuam a ser experimentais e ainda não demonstram uma vantagem universal sobre o hardware eletrónico de inteligência artificial já estabelecido. Os próximos marcos importantes envolverão redes neuronais de maior dimensão, testes exigentes em condições reais, medições do consumo energético de sistemas completos e métodos de fabrico fiáveis. Se os investigadores conseguirem superar estes desafios, as redes neuronais fotónicas poderão tornar-se componentes especializados valiosos dos futuros sistemas informáticos, permitindo que a luz e a eletrónica partilhem as tarefas exigentes da inteligência artificial.