La idea de calcular con luz existe hace más de 70 años, pero hasta hace poco se quedó casi siempre en el terreno de la investigación. En los últimos años la computación óptica se convirtió en una industria de crecimiento rápido. Las empresas del sector suman hoy una valoración de mercado de 2.220 millones de dólares, contra 400 millones en 2022, y una proyección sugiere que el mercado seguirá creciendo de forma exponencial en los próximos años.

La razón del salto no sorprende a nadie. Es la IA. En particular la inferencia, el proceso de usar modelos de IA para responder consultas de usuarios, que impulsó buena parte de la construcción de enormes centros de datos que consumen mucha energía. Los sistemas ópticos, relativamente eficientes en energía, aparecen como una salida posible.

Peter McMahon, profesor asociado de física aplicada e ingeniería en la Universidad Cornell, en Ithaca, Nueva York, investiga computación óptica hace más de una década. Según él, la mayor parte del interés en la fotónica "se debe a que la inferencia de IA literalmente quedó limitada por la energía, y de una manera bastante llamativa".

En el papel, la óptica promete hacer las mismas operaciones matemáticas que las GPU actuales con mucha menos energía. Pasar de la electrónica a la óptica sería una solución bastante radical. Aun así, como hongos después de la lluvia, aparecen empresas emergentes de computación óptica en Estados Unidos, China, Alemania e Israel. Competir con fabricantes de GPU como Nvidia es una meta ambiciosa, pero la inversión en computación óptica ya empujó enfoques complementarios, como diseñar algoritmos de IA alternativos, abordar la computación científica y mejorar el cómputo dentro de la red.

Caja de hardware abierta y primer plano del circuito de un chip óptico de Optalysys

Optalysys, con sede en Inglaterra, inserta elementos de computación óptica en el camino de la red, donde los centros de datos ya usan luz. El elemento óptico básico de su chip, que aparece en el recuadro de la imagen, calcula transformadas de Fourier.

"Creo que sería bueno para la tecnología que muchas de estas empresas hicieran un buen intento", dijo Logan Wright, profesor asistente de física aplicada en la Universidad Yale, en New Haven, Connecticut, y ex investigador posdoctoral en el laboratorio de McMahon. "Creo que la tecnología que se desarrolle con esto sería muy, muy útil, y permitiría sistemas fotónicos que quizás no se suban a esta ola de la IA, pero que serían capaces de hacer cosas realmente especiales".

¿Puede la óptica rescatar a la inferencia?

La inferencia se lleva la mayor parte del consumo de energía de la IA. La industria ya gasta miles de millones de dólares en diseñar GPU avanzadas y otros chips para correr la inferencia de la forma más eficiente posible. En el centro de ese cálculo hay una sola operación, repetida incontables veces por segundo, la multiplicación de una matriz por un vector.

En 1978, el pionero de la computación óptica Joseph W. Goodman y sus colegas propusieron un método para hacer esa multiplicación con luz. El montaje era relativamente simple. Supongamos que hay que multiplicar un vector de largo N por una matriz de N por N.

  • N diodos emisores de luz, todos en fila, codifican los elementos del vector en la intensidad de la luz. Mientras más brilla un diodo, mayor es el valor que codifica.
  • Una lente cilíndrica esparce la luz en vertical, lo que en la práctica copia el vector N veces.
  • La luz atraviesa un atenuador de N por N píxeles. En cada píxel la luz se atenúa según el valor de la matriz en esa posición, y ese paso hace la multiplicación.
  • Una segunda lente cilíndrica, perpendicular a la primera, vuelve a juntar la luz de cada fila y la suma.
  • Una fila de detectores mide el vector final.

Multiplicación de vector por matriz

Matriz W multiplicada por el vector v para obtener el vector y

La parte más costosa en cómputo de la IA común de hoy es la multiplicación de vector por matriz (o de matriz por matriz). Para un vector de largo N (en el diagrama, N = 3), se necesitan N² pasos de multiplicación (aquí, 9) y tres pasos de acumulación, que son varias sumas a la vez.

El argumento a favor de la óptica es más o menos este. Multiplicar una matriz de N por N por un vector de largo N toma N² pasos de multiplicación. En electrónica cada multiplicación gasta algo de energía, así que el total crece como N². En óptica, en cambio, la multiplicación es pasiva. Mientras la matriz no cambie, hacer pasar la luz por el atenuador casi no cuesta energía. El único costo es codificar el vector en luz y leer el resultado, y el vector tiene largo N, no N². Por eso la energía crece como N y no como N² a medida que se multiplican vectores y matrices más grandes.

Desde la propuesta de Goodman en 1978, la calidad de los elementos ópticos disponibles mejoró de forma enorme. En 2022, un equipo de Cornell dirigido por McMahon demostró una red neuronal óptica que consumía menos de un fotón de energía por multiplicación, cerca de 2,5 x 10⁻¹⁹ joules. En un computador estándar una sola multiplicación puede tomar entre 10⁻¹⁴ y 10⁻¹² joules, lo que sugiere que la óptica podría reducir el consumo de energía en un factor de 100.000.

Los coeficientes también cuentan

McMahon advierte contra esa extrapolación. Primero, el cálculo no incluía el costo de codificar los datos en luz. Aunque el escalamiento favorezca a la luz, en la práctica no solo importa cómo escala, también importan los coeficientes.

Supongamos que hacer una multiplicación en electrónica cuesta 1 picojoule, y que codificar un elemento del vector en óptica cuesta 1.000 picojoules. El enfoque electrónico sigue ganando mientras el largo N del vector sea menor que 1.000 elementos.

McMahon dice que ese ejemplo no está lejos de la realidad. "Una de las preguntas clave es qué tan grande tienes que hacer el sistema antes de empezar a ganar. Mucha gente ha hecho este cálculo para distintos tipos de redes neuronales. La respuesta, muy aproximada, está entre N igual a 1.000 y N igual a 10.000".

También hay que tener en cuenta un principio de la computación conocido como ley de Amdahl.

"La ley de Amdahl ni siquiera debería llamarse ley. Es simple sentido común", dijo McMahon. "Si tienes algo que va a acelerar un cálculo, y puede acelerar el 90 por ciento del código, pero hay un 10 por ciento que no puede acelerar, entonces la máxima aceleración posible que puedes obtener es de 10 veces".

En la inferencia de IA el objetivo es ahorrar energía, no tiempo, pero la observación de Amdahl sigue valiendo. Qué fracción del código de inferencia actual se puede manejar mejor con óptica es una pregunta compleja que cambia según el enfoque. Lo seguro es que no es el 100 por ciento. La multiplicación de matrices por vectores, o de matrices por matrices, es solo una parte de la carga de la inferencia, porque hay otras operaciones no lineales que se aplican a los datos.

Con todas esas salvedades, las empresas de computación óptica apuntan hoy a mejorar entre 10 y 80 veces la eficiencia energética de las GPU actuales. La pregunta es si pueden cumplir esa promesa a escala antes de que la electrónica tradicional alcance esas mismas ganancias.

Cerrar la brecha en el espacio libre

La empresa emergente Lumai, con sede en Oxford, Inglaterra, es quizás la que más se inspiró directamente en Goodman y su equipo. Su jefe de producto, Phillip Burr, sostiene que un enfoque de espacio libre, donde la luz viaja por el aire en vez de por guías de onda dentro de un chip, es lo que permitirá que su tecnología le gane a las GPU.

En lugar del atenuador fijo de la propuesta de Goodman, Lumai usa un dispositivo moderno y programable llamado modulador espacial de luz. Es una membrana dividida en píxeles, parecida a una pantalla de cristal líquido sofisticada, que puede modular tanto la intensidad como la fase de la luz. El resto del diseño es más complejo en la práctica, pero en principio se parece al de Goodman. Un vector se codifica en luz, una lente lo copia N veces, pasa por el modulador espacial de luz, otra lente lo recoge y el resultado se vuelve a convertir a electrónica digital. La electrónica se encarga de las funciones no lineales. "Una multiplicación completa de vector por matriz termina en un solo ciclo óptico", dijo Burr.

¿Qué fase de la inferencia conviene atacar con luz?

Para comparar con precisión el gasto de energía de la óptica y de las GPU, primero hay que definir qué parte de la carga se mira. La inferencia moderna suele dividirse en dos fases. En el prefill se procesa la consulta de entrada y se propaga por el modelo. En el decode se genera la salida una palabra (o token) a la vez.

El prefill es la fase más exigente en cómputo, y en esencia consiste en multiplicar vectores por la misma matriz una y otra vez. El decode también usa multiplicaciones de vector por matriz, pero con menos intensidad. Lo que consume tiempo en el decode es leer y escribir las matrices necesarias en la memoria.

Multiplicación de vector por matriz con óptica de espacio libre

Red neuronal óptica con LED, lentes, un atenuador por píxeles y fotodetectores

El computador óptico de Goodman es la versión más simple de un multiplicador fotónico de vector por matriz. Los elementos del vector se codifican en la intensidad de la luz de tres fuentes, como LED. Una lente cilíndrica esparce la luz en vertical. Los elementos de la matriz se codifican en la opacidad de un atenuador, de modo que la luz que atraviesa cada píxel queda multiplicada (atenuada) por ese valor de la matriz. Otra lente cilíndrica junta la luz en horizontal, lo que hace el paso de acumulación, y un fotodetector mide el vector de salida.

Lumai y otras empresas del rubro se concentran en el prefill, la fase intensiva en cómputo. Lumai dice que su servidor óptico Iris Nova, disponible para evaluación desde abril de 2026, es una prueba de concepto, y que su próxima generación, el servidor Iris Aura, hará el prefill con cerca de una décima parte de la energía que usaría una GPU.

La empresa emergente Neurophos, con sede en Austin, Texas, le da otro giro al diseño de Goodman. Para meter más capacidad en un dispositivo pequeño, aprovecha su experiencia en metamateriales, estructuras complejas que pueden manipular la luz a escalas menores que una longitud de onda. Las estructuras que diseñó son más grandes que una longitud de onda, pero siguen siendo muy pequeñas, de apenas algunos micrómetros por lado.