💻 computer science

Temporal speckle enables probabilistic weights for uncertainty-aware photonic AI

Este artículo presenta un procesador fotónico ultrafast que aprovecha el speckle temporal de la luz de banda ancha para codificar nativamente pesos probabilísticos, superando así los cuellos de botella computacionales de las redes neuronales bayesianas digitales y permitiendo una IA de alta velocidad y consciente de la incertidumbre capaz de realizar clasificación y detección de fuera de la distribución de forma simultánea.

Autores originales: Wolfram Pernice, Frank Brückerhoff-Plückelmann, Hendrik Borras, Shivaprasad Umesh Hulyal, Lennart Meyer, Xinru Ji, Jianqi Hu, Jiale Sun, Bernhard Klein, Falk Ebert, Jelle Dijkstra, Liam McRae, Philipp

Publicado 2026-08-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Wolfram Pernice, Frank Brückerhoff-Plückelmann, Hendrik Borras, Shivaprasad Umesh Hulyal, Lennart Meyer, Xinru Ji, Jianqi Hu, Jiale Sun, Bernhard Klein, Falk Ebert, Jelle Dijkstra, Liam McRae, Philipp Schmidt, Tobias Kippenberg, Holger Fröning

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot a reconocer diferentes tipos de frutas. Le muestras miles de fotos de manzanas, plátanos y naranjas. Con el tiempo, el robot se vuelve muy bueno identificándolos. Pero, ¿qué pasa si le entregas la foto de un kiwi? Un robot estándar podría entrecerrar los ojos, adivinar "plátano" y decir: "¡Estoy 100% seguro!", con total confianza, a pesar de estar completamente equivocado. Este es un gran problema para trabajos críticos para la seguridad, como los coches autónomos o el diagnóstico médico, donde estar erróneamente seguro puede ser peligroso.

Para solucionar esto, los científicos utilizan algo llamado "redes neuronales bayesianas". Piensa en estas no como un único cerebro robótico, sino como un equipo de expertos que todos tienen opiniones ligeramente diferentes. En lugar de memorizar una respuesta exacta para cada imagen, aprenden un rango de posibilidades. Cuando ven una imagen nueva, le preguntan a todo el equipo: "¿Qué pensáis?". Si todos están de acuerdo, el robot tiene confianza. Si el equipo está discutiendo, el robot sabe: "No estoy seguro de esto", y puede pedir ayuda. El problema es que lograr que un equipo entero de expertos se comunique entre sí en un ordenador normal es increíblemente lento y consume mucha energía. Es como intentar celebrar una reunión masiva en una habitación diminuta; los atascos ralentizan todo.

Aquí es donde entra en juego un ingenioso giro de un equipo de investigadores de la Universidad de Heidelberg y la EPFL. Se preguntaron: "¿Y si no usáramos un ordenador para simular estas diferentes opiniones, sino que usáramos la luz misma para pensar?". En su nuevo estudio, demuestran que pueden utilizar el parpadeo natural y caótico de la luz para representar estas opiniones inciertas instantáneamente.

Así es como lo hicieron. Tomaron un haz de "luz caótica" —que es simplemente luz que parpadea aleatoriamente, como una bombilla que está a punto de fundirse—. Normalmente, los científicos intentan eliminar este parpadeo porque es ruido. Pero este equipo se dio cuenta de que el parpadeo es, en realidad, un superpoder. Utilizaron una herramienta especial para dividir la luz en diferentes colores (frecuencias). Para cada color, podían controlar dos cosas: qué tan brillante era y qué tan ancho era su banda de color.

Descubrieron una regla mágica: el brillo de un color específico determinaba la opinión "promedio" del robot, mientras que el ancho de la banda de color determinaba qué tan "incierta" o "nerviosa" era esa opinión. Una banda estrecha significaba una opinión constante y segura. Una banda ancha significaba una opinión nerviosa e incierta. Debido a que la luz se mueve increíblemente rápido, podían tener miles de estas "opiniones" parpadeando al mismo tiempo, todas contenidas en un solo haz.

El equipo construyó un chip diminuto que actúa como una cinta transportadora superrápida para estas opiniones de luz. Programaron la luz para representar un problema matemático llamado "convolución" (que es solo una forma elegante de mezclar datos, como mezclar ingredientes en una receta). A medida que la luz viajaba a través del chip, los diferentes colores eran retrasados por cantidades minúsculas para que se alinearan perfectamente para realizar las matemáticas. ¿El resultado? El chip podía realizar uno de estos cálculos probabilísticos cada 37,5 picosegundos. Para ponerlo en perspectiva, un picosegundo es una billonésima de segundo. Esto es miles de millones de veces más rápido de lo que los ordenadores estándar pueden hacer para este tipo específico de pensamiento incierto.

Probaron su "cerebro de luz" en dos tareas del mundo real. Primero, les mostraron imágenes de células sanguíneas. El sistema fue entrenado con siete tipos de células, pero nunca se le había mostrado un tipo específico llamado "eritroblasto". Cuando le mostraron un eritroblasto, el cerebro de luz no se limitó a adivinar; se puso "nervioso". Las diferentes opiniones en el haz de luz no estaban de acuerdo entre sí, señalando una alta incertidumbre. El sistema marcó correctamente la imagen como "No sé qué es esto", en lugar de etiquetarla erróneamente con total confianza.

Después, probaron con números escritos a mano (el famoso conjunto de datos MNIST). Le mostraron números normales, números que parecían artículos de moda (que el sistema nunca había visto) y números que estaban tan mal dibujados que podían ser dos dígitos a la vez. El cerebro de luz separó con éxito estas tres situaciones: fue seguro con los números normales, inseguro con los artículos de moda (porque eran nuevos) y confundido con los dibujos ambiguos (porque la imagen en sí era poco clara).

El artículo demuestra que, al utilizar las fluctuaciones naturales de la luz, podemos construir una IA que no solo adivina, sino que sabe cuándo está adivinando. Es un paso hacia máquinas que no solo son rápidas, sino también lo suficientemente humildes como para admitir cuando no están seguras, lo cual es exactamente lo que necesitamos para que la IA sea segura y fiable en el mundo real.

Resumen Técnico: El Speckle Temporal permite Pesos Probabilísticos para una IA Fotónica Consciente de la Incertidumbre

Declaración del Problema
Los sistemas de inteligencia artificial desplegados en dominios de seguridad crítica (p. ej., medicina, sistemas autónomos) a menudo fallan al reconocer la incertidumbre cuando encuentran observaciones ambiguas (incertidumbre aleatoria) o entradas desconocidas (incertidumbre epistémica). Las redes neuronales deterministas convencionales permanecen excesivamente confiadas en estos escenarios. Aunque las redes neuronales bayesianas (BNN) ofrecen una solución fundamentada al inferir distribuciones de probabilidad sobre los parámetros del modelo en lugar de estimaciones puntuales, su despliegue práctico se ve obstaculizado por la sobrecarga computacional. El muestreo de numerosas distribuciones de probabilidad durante el tiempo de predicción crea un cuello de botella para el hardware digital determinista, aumentando la latencia, el consumo de energía y el tráfico de memoria. Los enfoques de hardware analógico existentes, como los dispositivos memristivos, luchan con la escalabilidad, la deriva y la necesidad de múltiples dispositivos por peso. Existe la necesidad de un mecanismo físico que permita distribuciones de pesos programables, muestreo paralelo y computación fotónica directa compatible con los marcos de aprendizaje automático establecidos.

Metodología
Los autores proponen una arquitectura fotónica que utiliza el speckle temporal de la luz caótica de banda ancha como una representación física nativa de los pesos probabilísticos.

Codificación Espectral de Probabilidades: En lugar de generar números aleatorios digitalmente, el sistema codifica la media ( $\mu$ $μ$ ) y la desviación estándar ( $\sigma$ $σ$ ) de una distribución de peso directamente en las propiedades ópticas de los canales de frecuencia individuales dentro de un espectro de banda ancha.
- Media ( $\mu$ ): Programada por la potencia óptica integrada ( $P$ ) de un canal de frecuencia específico.
- Desviación Estándar ( $\sigma$ ): Programada por el ancho de banda óptico ( $\Delta\nu$ ) de ese canal.
- Mecanismo: El batido aleatorio entre los componentes de frecuencia crea fluctuaciones de potencia temporal. El ancho de banda eléctrico finito ( $B_{el}$ ) del detector define un intervalo de medición. A medida que el ancho de banda óptico aumenta, el tiempo de coherencia disminuye, causando que el detector promedie sobre más celdas de coherencia temporal ( $M_{eff} \sim \Delta\nu/B_{el}$ ). Este promedio suprime las fluctuaciones relativas ( $\propto M_{eff}^{-1/2}$ ), permitiendo que el ancho de banda controle la estocasticidad mientras que la potencia controla la media de la señal.
Acelerador de Convolución Probabilística Fotónica: El sistema combina la codificación espectral con el entrelazado frecuencia-tiempo.
- Un conformador de ondas (waveshaper) programable define nueve canales espectrales (centrados en 194 THz, espaciados por 403 GHz) con potencia y ancho de banda controlados independientemente.
- Un modulador electro-óptico (EOM) codifica los datos de entrada temporales en todos los canales simultáneamente.
- Un rejilla de Bragg de guía de onda con chirrido (CWBG) integrado en el chip introduce un retardo dependiente de la frecuencia. La pendiente del retardo ($-93.12$ ps THz $^{-1}$ ) asegura que los canales adyacentes sean retrasados exactamente por un intervalo de símbolo de entrada ($37.5$ ps), alineando los pesos codificados espectralmente con los valores de entrada correspondientes en el fotodetector.
- El fotodetector suma las potencias ópticas alineadas, produciendo una realización estocástica de la operación de convolución en un solo paso físico.
Red Neuronal Bayesiana Híbrida (BNN): Los autores co-diseñan una arquitectura de red (que combina conexiones de salto tipo DenseNet y convoluciones de profundidad separable) donde solo una única capa de convolución probabilística se implementa en el acelerador fotónico. El resto de la red permanece determinista y digital.
- Entrenamiento: Un modelo sustituto (surrogate) diferenciable (compatible con PyTorch) simula las estadísticas (media y varianza) de la capa fotónica durante el entrenamiento consciente del hardware mediante Inferencia Variacional Estocástica (SVI).
- Inferencia: El acelerador físico reemplaza al modelo sustituto. El sistema realiza múltiples pasadas hacia adelante estocásticas (p. ej., 10) utilizando nuevas realizaciones físicas de los pesos para cada pasada.
- Cuantificación de la Incertidumbre: La incertidumbre epistémica se mide mediante la Información Mutua (desacuerdo entre las predicciones de diferentes realizaciones de pesos), mientras que la incertidumbre aleatoria se mide mediante la Entropía Softmax (incertidumbre dentro de una sola predicción).

Contribuciones Clave

Representación Física de Pesos Probabilísticos: Se demostró que la luz caótica de banda ancha, cuando se conforma espectralmente, puede almacenar y muestrear múltiples distribuciones de probabilidad independientes en paralelo sin la generación de números aleatorios computacionalmente exigente.
Acelerador de Convolución Ultrarrápido: Se realizó un procesador fotónico que computa una salida de convolución probabilística cada 37.5 ps (equivalente a 26.7 mil millones de salidas por segundo), significativamente más rápido que las operaciones estocásticas a escala de nanosegundos reportadas en otros sistemas fotónicos.
Inferencia Consciente de la Incertidumbre de Extremo a Extremo: Se integró con éxito el acelerador físico en un flujo de trabajo de BNN híbrida con una interfaz PyTorch, permitiendo el entrenamiento consciente del hardware y el despliegue experimental.
Desacoplamiento de Tipos de Incertidumbre: Se demostró experimentalmente la capacidad de separar la novedad epistémica (entradas desconocidas) de la ambigüedad aleatoria (entradas ruidosas) utilizando métricas de información mutua y entropía softmax.

Resultos Experimentales

Caracterización: El sistema fue probado con 25 núcleos probabilísticos generados aleatoriamente. Las medias y desviaciones estándar medidas coincidieron estrechamente con los valores objetivo, con errores medios de $0.016 \pm 0.173$ para la media y $0.036 \pm 0.092$ para la desviación estándar.
Clasificación de Células Sanguíneas: El BNN híbrido fue entrenado en siete clases de células sanguíneas. Al presentarle eritroblastos retenidos (fuera de la distribución), el sistema los detectó como incertidumbre epistémica.
- Logró un Área Bajo la Curva Característica Operativa del Receptor (AUROC) del 91.16% para la detección de tipos de células retenidos.
- El rechazo de imágenes inciertas mejoró la precisión de la clasificación de imágenes retenidas dentro de la distribución del 90.26% al 94.62%.
Benchmarks Estándar (MNIST, Fashion-MNIST, Ambiguous-MNIST):
- Logró un 96.01% de precisión en MNIST.
- El rechazo basado en información mutua aumentó la precisión de MNIST al 99.70% para las imágenes no rechazadas.
- La detección de incertidumbre epistémica (Fashion-MNIST) alcanzó un AUROC del 84.42%.
- La detección de incertidumbre aleatoria (Ambiguous-MNIST) alcanzó un AUROC del 88.03%.
- Los tres conjuntos de datos ocuparon regiones distintas en el espacio de información mutua–entropía softmax, confirmando la separación de los tipos de incertidumbre.

Significancia y Reivindicaciones
El artículo afirma proporcionar la primera implementación fotónica experimental que unifica pesos probabilísticos programables, convolución óptica e inferencia consciente de la incertidumbre de extremo a extremo. Al transformar el ruido óptico intrínseco en un recurso computacional programable, el sistema elimina el cuello de botella del muestreo de la inferencia bayesiana. Los autores afirman que este enfoque hace avanzar el estado del arte no solo acelerando el muestreo aleatorio, sino almacenando, muestreando y procesando pesos probabilísticos dentro de la misma señal óptica. El trabajo establece una ruta para una IA fotónica de alta velocidad y consciente de la incertidumbre, ofreciendo un componente de sistema práctico para cargas de trabajo de IA en dominios de seguridad crítica donde el razonamiento bajo incertidumbre es esencial. El sistema aprovecha el co-diseño hardware-algoritmo para concentrar la estocasticidad en capas específicas, reduciendo los requisitos de recursos físicos mientras mantiene el rendimiento predictivo.

Más como este