El microchip fotónico (a continuación) se desarrolló para el estudio en redes neuronales físicas, junto con el chip electrónico (arriba, el amarillo) de control. Crédito: Politecnico di Milano, Deib – Departamento de Electrónica, Información y Bioingeniería
La inteligencia artificial ahora es parte de nuestra vida cotidiana, con la posterior necesidad apremiante de modelos más grandes y más complejos. Sin embargo, la demanda de potencia cada vez mayor y capacidad informática está aumentando más rápido de lo que pueden proporcionar las computadoras tradicionales de rendimiento.
Para superar estas limitaciones, la investigación se está moviendo hacia tecnologías innovadoras como redes neuronales físicas, circuitos analógicos que explotan directamente las leyes de la física (propiedades de los haces de luz, los fenómenos cuánticos) para procesar la información. Su potencial está en el corazón del estudio publicado En el diario de la naturaleza. Es el resultado de la colaboración entre varios institutos internacionales, incluido el Politecnico di Milano, la École Polytechnique Fédérale en Lausana, la Universidad de Stanford, la Universidad de Cambridge y el Instituto Max Planck.
El artículo titulado “Entrenamiento de redes neuronales físicas” discute los pasos de la investigación sobre el entrenamiento de redes neuronales físicas, llevadas a cabo con la colaboración de Francesco Morichetti, profesor de Deib, Departamento de Electrónica, Información y Bioingeniería, y Jefe del Laboratorio de Dispositivos Photónicos de la Universidad.
Politecnico di Milano contribuyó a este estudio mediante el desarrollo de chips fotónicos para la creación de redes neuronales, explotando tecnologías fotónicas integradas. Las operaciones matemáticas, como sumas y multiplicaciones, ahora se pueden realizar a través de mecanismos de interferencia de luz en microchips de silicio apenas unos pocos milímetros cuadrados de tamaño.
Francesco Morichetti, profesor de Deib – Departamento de Electrónica, Información y Bioingeniería del Politecnico di Milano, y jefe del Laboratorio de Dispositivos Photónicos de la Universidad, dentro de su laboratorio. El profesor Morichetti contribuyó al documento sobre el entrenamiento de redes neuronales físicas, junto con un equipo internacional de colegas. Crédito: Politecnico di Milano
“Al eliminar las operaciones requeridas para la digitalización de la información, nuestros chips fotónicos permiten llevar a cabo los cálculos con una reducción significativa tanto en el consumo de energía como en el tiempo de procesamiento”, dice Morichetti. Un paso adelante para hacer que la inteligencia artificial (que se basa en centros de datos extremadamente intensivos en energía) sea más sostenible.
El estudio aborda el tema de la capacitación, precisamente la fase en la que la red aprende a realizar ciertas tareas. “Con nuestra investigación dentro del Departamento de Electrónica, Información y Bioingeniería, hemos ayudado a desarrollar una técnica de entrenamiento ‘in situ’ para redes neuronales fotónicas, es decir, sin pasar por modelos digitales. El procedimiento se lleva a cabo completamente utilizando señales de luz. Por lo tanto, la capacitación en red no solo será más rápida, sino también más robusta y eficiente”, agrega Morichetti.
El uso de chips fotónicos permitirá el desarrollo de modelos más sofisticados para la inteligencia artificial, o dispositivos capaces de procesar datos en tiempo real directamente en el sitio, como automóviles autónomos o sensores inteligentes integrados en dispositivos portátiles, sin requerir un procesamiento remoto.
Más información: Ali Momeni et al, Entrenamiento de redes neuronales físicas, Naturaleza (2025). Dos: 10.1038/s41586-025-09384-2
Proporcionado por la Universidad Politécnica de Milán
Cita: AI sostenible: las redes neuronales físicas explotan la luz para entrenar de manera más eficiente (2025, 9 de septiembre) Recuperado el 10 de septiembre de 2025 de https://techxplore.com/news/2025-09-sustenable-ai-physical-neural-networks.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
