Conmutador fotónico alcanza 4 femtojulios en prueba de computación para IA

Un equipo de la Universidad de Pensilvania ha mostrado una forma de hacer que la luz realice trabajo de cálculo con casi ninguna pérdida de energía, usando partículas híbridas luz-materia llamadas excitón-polaritones. El argumento es obvio: si la IA sigue consumiendo más energía y desprendiendo más calor, la próxima gran mejora en eficiencia podría no venir de una GPU más rápida, sino de abandonar la electrónica por la óptica cuando sea posible.

Los investigadores construyeron un conmutador óptico a partir de un semiconductor ultrafino dentro de una cavidad nanoóptica, donde la luz se acopla con excitones y forma excitón-polaritones. Eso importa porque los fotones simples son estupendos para mover información rápidamente, pero son notoriamente malos para interactuar entre sí, lo que hace que las operaciones lógicas sean difíciles de realizar.

Un conmutador fotónico que funciona con 4 femtojulios

La cifra principal es 4 femtojulios por operación. Es tan pequeño que no sería suficiente ni para un breve destello de un LED normal, y sitúa la demostración entre los sistemas fotónicos más eficientes reportados hasta ahora. El ganador obvio aquí es el operador de centros de datos que vigila la factura energética; el perdedor es la vieja suposición de que todo cálculo útil tiene que convertirse primero en calor.

• Plataforma: excitón-polaritones
• Función principal: conmutación óptica sin convertir la señal a electricidad
• Energía por operación: aproximadamente 4 femtojulios

La computación fotónica se ha presentado como una respuesta al problema energético de la IA durante años, pero la trampa siempre ha sido la misma: lograr que la luz se comporte como lógica, no solo como transporte. Este experimento contribuye a solucionar ese problema creando interacciones lo bastante fuertes dentro del propio dispositivo, que es el tipo de truco que despierta el interés de los ingenieros y pone nerviosos a los equipos financieros.

Recomendado

Hassabis dice que las STEM te hacen 10 veces mejor en IA

Por qué el hardware para IA busca alternativas a las GPUs

La presión viene por la escala del aprendizaje automático moderno. Los modelos más grandes necesitan más cálculo, más servidores y más refrigeración, y la refrigeración ya no es una nota a pie de página en la estructura de costes. Por eso los enfoques ópticos y neuromórficos siguen reapareciendo: no son magia, pero ofrecen una forma de mover bits sin convertir la mitad de la sala de máquinas en un radiador.

Por ahora, sin embargo, esto es un resultado de laboratorio, no un producto. El siguiente obstáculo es demostrar que el sistema puede mantenerse dentro de arquitecturas informáticas más grandes, donde la estabilidad, la fabricación y la integración tienden a arruinar la física elegante muy rápidamente.

Qué debe ocurrir antes de que lleguen los chips fotónicos para IA

Si el enfoque escala, las redes neuronales totalmente ópticas podrían convertirse en una alternativa real para algunas cargas de trabajo de IA, especialmente donde la eficiencia energética importe más que la flexibilidad bruta. La apuesta más probable no es un reemplazo súbito del silicio, sino un futuro híbrido en el que componentes fotónicos gestionen las partes más críticas y consumidoras de energía del trabajo.

La cuestión abierta es si este tipo de conmutador puede fabricarse con la fiabilidad suficiente para trascender una demostración en condiciones de laboratorio. La física ha hecho su parte; ahora le toca a la industria de semiconductores la tarea incómoda.