Hace un par de semanas, pasé un día en las oficinas de Q.ANT en Stuttgart. Hablé con ingenieros, el equipo de producto y el equipo de marketing, y pude ver de cerca la computación fotónica en acción. Me fui con más curiosidad por la tecnología que cuando llegué, y esa curiosidad es lo que me llevó a escribir este artículo.
Quiero que más ingenieros de aprendizaje automático participen en la conversación sobre computación fotónica. ¿Qué lugar ocupa? ¿Quién debería usarla? ¿Qué se vuelve posible cuando parte de las matemáticas se ejecuta con luz? No creo que una sola empresa pueda responder por sí sola a esas preguntas, ni que las respuestas vayan a venir de comunicados de prensa. Surgirán de quienes la prueben con cargas de trabajo reales y compartan sus observaciones.
Un coprocesador, no un sustituto de las CPU y las GPU
Primero, una aclaración importante: la computación fotónica no viene a sustituir a las CPU ni a las GPU. No lo hace todo, ni pretende hacerlo. Funciona como un coprocesador que trabaja junto a ellas y se encarga de tipos de tareas específicos. Su valor está en los problemas que consumen mucha energía y capacidad de cómputo en los chips convencionales, y probablemente también en algunos problemas que aún no se nos ha ocurrido probar.
Cómo la luz calcula un coseno en lugar de contar pasos
Un chip digital cuenta. Cada número es un patrón de interruptores y cada cálculo consta de muchos pasos de conmutación. Es exacto, y cada paso consume energía.
El procesador de Q.ANT funciona de otra manera. Envía luz a través de diminutos canales en un chip fabricado con niobato de litio en película delgada, un cristal cuyo comportamiento óptico cambia con el voltaje. Un voltaje desplaza la fase de la luz en una trayectoria; la luz de dos trayectorias se encuentra e interfiere, y el brillo resultante sigue una curva de coseno. Así, el chip no calcula ciertas funciones paso a paso: las produce la física.
En la práctica, el procesador realiza de forma nativa multiplicaciones de matrices, multiplicaciones elemento a elemento y cálculos de coseno. Q.ANT informa de una eficiencia energética hasta 30 veces mayor para operaciones matriciales equivalentes a nivel de circuito. Se comercializa como una tarjeta PCIe que se instala en un servidor estándar de montaje en rack, el Native Processing Server, que funciona en el Centro de Supercomputación Leibniz desde 2025 y que IONOS planea ofrecer a través de su nube.
Hay dos aspectos importantes para quienes quieran desarrollar sobre esta tecnología. Solo ejecuta inferencias, así que el entrenamiento se hace en hardware convencional y la pasada hacia delante se ejecuta en la tarjeta. Además, calcula en bfloat16, por lo que la precisión es una limitación de diseño desde el primer día.
De PyTorch al hardware fotónico: el flujo de trabajo de un ingeniero de aprendizaje automático
Antes, el mayor obstáculo para probar esta tecnología era acceder al hardware. Eso cambió en septiembre, cuando Q.ANT publicó su kit de herramientas de computación nativa como código abierto con licencia Apache 2.0. Incluye API para Python y C/C++ y, lo más importante, un emulador de CPU. Puedes escribir y probar código en tu portátil sin tarjeta ni controladores.
El flujo de trabajo es familiar. Entrenas un modelo en PyTorch como de costumbre. Asignas sus capas a las operaciones que admite la tarjeta, como capas lineales, convoluciones, normalización por lotes y capas KAN. Pruebas todo en el emulador y luego lo ejecutas en el hardware cuando tienes acceso. En la versión actual, algunas operaciones, como ReLU, softmax y pooling, siguen ejecutándose en la CPU anfitriona entre llamadas a la tarjeta; conviene tenerlo en cuenta al diseñar un modelo.
Por qué las redes de Kolmogórov-Arnold encajan con el chip
El aspecto de las KAN es el que más me llama la atención. Las redes de Kolmogórov-Arnold colocan funciones aprendibles en las conexiones entre neuronas, y esas funciones pueden construirse a partir de cosenos. Eso es precisamente lo que el chip produce de forma nativa. Es un caso poco común en el que una arquitectura de modelo y una pieza de hardware encajan entre sí, en lugar de tener que adaptar una a la otra.
Por qué la computación fotónica necesita experimentadores externos
Toda nueva forma de computación se topa con el mismo obstáculo. El hardware funciona, pero nadie sabe todavía para qué problemas es más adecuado. Las GPU se diseñaron para gráficos mucho antes de que alguien las usara para entrenar redes neuronales. Los usos revolucionarios surgieron gracias a quienes experimentaron desde fuera de la empresa.
La computación fotónica se encuentra ahora en esa etapa inicial. Necesita ingenieros de aprendizaje automático que la evalúen, compartan qué funciona y qué no, y descubran qué cargas de trabajo y qué usuarios pueden beneficiarse más. Por eso quiero iniciar un debate abierto sobre su investigación. No un discurso de ventas, sino un cuaderno compartido: pruebas reales, cifras reales y resultados honestos, incluidos los negativos.
Por dónde empezar si eres nuevo en computación fotónica
Creé Beyond the Transistor como punto de partida. Explica los términos, recorre la pila tecnológica y te permite ejecutar la idea principal en el navegador. Incluye un ejemplo interactivo de coseno, documentación del kit de herramientas de código abierto, un entorno de pruebas donde puedes diseñar y entrenar una red pequeña, y un foro para compartir preguntas y resultados.
Si trabajas en problemas de aprendizaje automático que resultan costosos con el hardware actual, me gustaría saber de ti. Prueba el emulador, intenta romper algo y comparte tus resultados en el foro. Probablemente aún no se hayan descubierto los usos más interesantes de esta tecnología.
Siguiente lectura: La desaceleración de la IA es una estrategia de consolidación disfrazada de seguridad
Aviso legal: Este artículo está escrito a título personal. Beyond the Transistor, su foro y la iniciativa de investigación aquí descrita son actividades independientes. No están afiliadas a Q.ANT GmbH ni a ninguno de sus miembros, ni cuentan con su respaldo ni guardan relación con ellos. Los detalles del producto se basan en materiales públicos de Q.ANT.