光コンピューティングは、電気の代わりに光を用いて情報を処理しようとする分野です。数十年にわたり、科学者たちは光が極めて高い速度で、遅延をほとんど伴わずにデータを運べることを知っており、より高速でエネルギー効率の高いコンピュータへの潜在的な道筋を提供してきました。これらの光コンピュータを構築するための従来のアプローチは、多くの場合、多層のケーキを作るように、多くの薄い層を積み重ねる複雑なスタックに依存しています。各層は小さなフィルターや鏡として機能し、光が通過する際に光を微調整します。これらは効果的ではありますが、光が広がり、各層と相互作用するためのスペースを必要とするため、システムが嵩張ったり、小型化が困難になったりすることがあります。根本的な課題は、複雑なタスクを実行する能力を失うことなく、いかにして十分な計算能力を極めて小さなスペースに詰め込むかという点でした。

最近の研究において、ロシアのITMO大学とイタリアのブレシア大学の研究者たちは、この問題に対する全く異なる考え方を提案しました。彼らは、作業を多くの層に分散させる代わりに、「たった一つの小さな粒子がコンピュータ・プロセッサ全体の役割を果たせるのではないか」と考えたのです。彼らは、ミー散乱体（Mie scatterer）として知られる特定の種類の粒子に注目しました。これは、光と複雑に相互作用する小さな球状の物質です。光がこのような粒子に当たると、単に跳ね返されるだけでなく、粒子のサイズや形状に依存する様々な内部振動、すなわち「モード」を励起します。研究者たちは、この単一の粒子内の材料を注意深く設計することで、光を散乱させる方法によって計算を実行する、学習可能なコンピュータに変えられることを発見しました。

研究チームはこのアイデアを検証するため、粒子に古典的な問題、すなわち手書き数字の認識を解かせました。彼らは、0から9までの数字の画像を、光線の位相へとエンコードしました。この光が粒子に集光されます。光が粒子に当たると、粒子の内部構造が光信号の異なる部分を混合します。研究者たちは、粒子から散乱して離れていく光の強度を測定しました。この散らかった光のパターンを分析することで、単純な検出器が示されている数字を特定できるのです。このシステムの鍵となったのは、粒子が入射光をどのように透過・変換するかを正確に記述する「T行列（T-matrix）」と呼ばれる数学的ツールでした。研究者たちは、この行列の要素をニューラルネットワークの「重み」として扱い、粒子が数字を非常に高い精度で識別できるようになるまで、学習プロセスを通じてそれらを調整しました。

結果は驚くべきものでした。粒子の直径を、使用した光の波長の約15倍に設定した場合、システムは約90パーセントのテスト精度を達成しました。このレベルの性能は、この分野の標準的なベンチマークである単層の人工ニューラルネットワークに匹каるものです。この研究は、この単一のコンパクトな物体が、より大規模で伝統的な光学システムと同等のタスクを処理できることを示しました。さらに、研究者たちは、光を粒子の非常に近くで測定する「近接場（near-field）」においても、この高い性能が得られることを実証しました。これは極めて重要な詳細であり、このようなデバイスがコンピュータチップに直接統合され、嵩高いレンズや長い光の経路を必要とせずに、光学プロセッサを電子回路に直接接続できる可能性を示唆しています。

しかし、研究者たちは、現実世界の物理学がこれらの粒子ができることに対して厳格なルールを課していることも注意深く指摘しています。現実の世界では、材料はエネルギーを無から作り出すことはできず、吸収、反射、または透過することしかできません。「受動性（passivity）」として知られるこの原理は、粒子が実行できる変換の種類を制限します。研究では、この物理的な制約が最大可能な精度をわずかに低下させる一方で、システムをより堅牢にすることも分かっています。物理法則に従う粒子は、信号の小さなエラーやノイズによって狂わされる可能性が低いのです。また、チームは粒子の対称性が性能にどのように影響するかについても調査し、完全に丸い対称的な粒子は、光を操作する独立した方法が少ないため、複雑さが制限される一方で、設計は簡素化されることを示しました。

この概念が単なる理論的な演習ではないことを証明するために、研究者たちはコンピュータを用いて、特定の、吸収のない誘電体粒子を設計しました。彼らは、複雑で不均一な材料特性を持つ仮想の粒子を作成し、本質的に、独自の内部構造として機能するユニークな内部構造を削り出しました。この逆設計（inverse-designed）された粒子は、84パーセントの精度を達成しました。この特定の、非常に詳細な構造は、現在の技術では製造が難しいかもしれませんが、このシミュレーションは原理証明（proof of principle）として機能しています。これは、現実的な材料パラメータを持つ有限の受動的な物体が、光学的な分類に必要な複雑な変換を実際に実現できることを示しています。

この研究の意義は、単に数字を認識することに留まりません。この研究は、単一の物体が処理できる情報の密度が、これまで考えられていたよりもはるかに高いことを強調しています。従来の光学層は調整可能な点が限られている場合がありますが、単一の散乱体は、膨大な数の内部モードを利用して情報を処理できます。研究者たちの計算によれば、光の波長と同程度のサイズの粒子の場合、調整可能なパラメータの数は、同じ面積の従来の層よりも数百倍高くなります。これは、光学コンピューティングの新しい道筋、つまり、より大きな層のスタックを構築することではなく、よりスマートで複雑な単一の要素を設計することを目指す道を示唆しています。

この研究はまた、このようなシステムにおけるトレードオフについても明らかにしています。単一の散乱体はパラメータ密度の劇的な向上をもたらしますが、光が粒子に到達したり、散乱後に収集されたりするために、ある程度の距離を移動する必要があるという点は排除しません。入力画像は依然として準備・集光される必要があり、出力もまた読み取られる必要があります。しかし、訓練可能な変換全体を一つの極めて小さな体積に集中させることで、システムはコンピューティングユニット自体の物理的な設置面積を劇的に削減します。これにより、次世代のコンパクトで高速な光学プロセッサとして、将来のチップへの統合が期待される有望な候補となります。

結局のところ、この論文はコンピューティングの未来に対する説得力のあるビジョンを提示しています。それは、光と物質の相互作用に関する深い物理学を理解することで、単純で小さな粒子を強力なプロセッサに変えられることを示しています。研究者たちは、適切な内部構造さえ備わっていれば、パターンの認識という複雑なタスクを、単一の物体が光を散乱させる方法の中にエンコードできることを示しました。このアプローチは、光学コンピュータは大きく層状でなければならないという長年の信念に挑戦し、代わりに、高密度で効率的、かつ物理的に実現可能な「光学的知能」への道筋を提示しています。