Światło zamiast krzemu. Jak Cornell rozwiązał problem, który blokował fizyczne AI

Jest rok 2022. Zespół Petera McMahona z Cornell University publikuje w Nature pracę, która rozwiązuje problem blokujący całą dziedzinę od dekady: jak trenować sieci neuronowe zbudowane nie z tranzystorów, ale ze światła, drgań mechanicznych i układów elektronicznych.

Problem był fundamentalny. Głębokie sieci neuronowe — od ChatGPT po AlphaFold — działają dzięki jednemu algorytmowi: wstecznej propagacji błędów. Każda warstwa sieci dostaje sygnał błędu, oblicza gradient i dostosowuje swoje wagi. To matematyczne serce całej współczesnej AI. Ale backpropagation ma twardy warunek: musisz znać dokładną odpowiedź każdego elementu sieci na każde wejście. Musisz wiedzieć, co dzieje się wewnątrz.

W układzie fizycznym nie wiesz. Światło przechodzące przez kryształ, fala akustyczna w piezoelektryku, prąd w obwodzie analogowym — to wszystko są systemy, których stanów wewnętrznych nie możesz odczytać. Możesz zmierzyć wejście. Możesz zmierzyć wyjście. Nie możesz zajrzeć do środka. A bez tego nie ma gradientu. Bez gradientu nie ma backpropagation. Bez backpropagation nie ma trenowania.

To nie jest problem techniczny. To jest ograniczenie matematyczne. I przez dekadę blokowało całą dziedzinę fizycznych sieci neuronowych (physical neural networks, PNN).

Próbowano różnych obejść. Algorytmy ewolucyjne: losowo zmieniasz parametry fizyczne, testujesz wynik, zachowujesz najlepsze. Działa dla kilkudziesięciu parametrów — zespół ze Stanfordu wytrenował w ten sposób optyczny rezonator do klasyfikacji cyfr. Problem: każdy dodatkowy parametr wydłuża czas trenowania wykładniczo. Przy stu parametrach to godziny. Przy tysiącu miesiące. Sieci cyfrowe skalowały się do miliardów.

I wtedy zespół z Cornell pokazał, że problem można obejść, zmieniając pytanie. Zamiast pytać "jak wytrenować fizyczny układ bez znajomości jego stanów wewnętrznych", zapytali: "a co gdyby wytrenować cyfrowy model układu i przenieść na niego wagi?"

Algorytm PAT (Physics-Aware Training) działa w dwóch krokach. Najpierw budujesz matematyczny model układu fizycznego. To przybliżenie, nie kopia. Trenujesz ten model standardowym backpropagation na GPU. Model uczy się pożądanej funkcji. Potem przenosisz wagi z modelu na rzeczywisty układ. Kluczowa innowacja: model nie musi być dokładny. Musi być wystarczająco podobny, żeby gradienty wskazywały we właściwym kierunku. Resztę załatwia sprzężenie zwrotne między symulacją a fizycznym sprzętem.

To fundamentalne odwrócenie logiki. Przez dekadę dziedzina próbowała trenować fizykę bezpośrednio — i grzęzła w problemie niedostępnych stanów wewnętrznych. PAT omija ten problem, trenując cyfrowe przybliżenie, a potem fizycznie weryfikując wynik. Komputer wykonuje ciężką pracę (obliczanie gradientów), a fizyka wykonuje szybką pracę (inferencję). Każde robi to, w czym jest najlepsze.

Autorzy zademonstrowali PAT na trzech różnych podłożach fizycznych. Układ optyczny: światło przechodzące przez matrycę modulatorów. Układ mechaniczny: drgająca membrana. Układ elektroniczny: programowalna macierz rezystancyjna. We wszystkich trzech przypadkach PAT osiągnął dokładność porównywalną z trenowaniem bezpośrednim — mimo że model matematyczny każdego z tych układów był uproszczony.

Rys. 1. Physics-Aware Training (PAT): jak wytrenować układ fizyczny bez dostępu do jego wnętrza. Źródło: Wright L.G. et al., Nature 601, 549–555 (2022).

Efekt jest fundamentalny. Układ optyczny, mechaniczny lub elektroniczny może być trenowany tak samo jak cyfrowa sieć neuronowa — z porównywalną dokładnością, ale przy zużyciu energii o rzędy wielkości mniejszym podczas inferencji. Raz wytrenowany układ fizyczny wykonuje obliczenia pasywnie: światło przechodzi przez kryształ, nie przez tysiąc tranzystorów mnożących macierze.

Praca Logana Wrighta, Tatsuhiro Onodery, Martina Steina, Tianyu Wanga, Darrena Schachtera, Zoey Hu i Petera McMahona — wszystkich z Cornell University — zebrała 722 cytowania w ciągu czterech lat. Nature, vol. 601, strony 549–555, rok 2022. 722 cytowania to wynik nieczęsty nawet dla Nature. Sygnał, że dziedzina była gotowa.

Co się stało potem

Publikacja otworzyła pole, które wcześniej było zamknięte. Ali Momeni i trzydziestu współautorów — w tym Wright, McMahon, Scellier, Marquardt i Grollier — opublikowało w Nature (2025) przekrojowy przegląd metod trenowania fizycznych sieci neuronowych. Praca systematyzuje różne podejścia: optyczne, mechaniczne, spintroniczne, mikrofalowe. PAT jest wśród nich jako jedna z głównych metod.

Julie Grollier z laboratorium CNRS-Thales pod Paryżem — badaczka, która już w 2018 roku w Nature pokazała rozpoznawanie samogłosek na sprzężonych oscylatorach spinowych — rozwija układy magnetyczne zdolne do inferencji przy minimalnym poborze energii. Jej przegląd z 2020 roku w Nature Reviews Physics ("Physics for neuromorphic computing") pozostaje jednym z najczęściej cytowanych tekstów w dziedzinie.

Benjamin Scellier — który podczas doktoratu u Yoshuy Bengio w Mila (Université de Montréal) rozwijał equilibrium propagation, pokrewną metodę trenowania sieci fizycznych — pracuje dziś jako Principal Research Scientist w Rain AI. Firma projektuje chipy neuromorficzne nowej generacji.

Równolegle działa rynek. Lightmatter, startup pracujący nad optycznymi akceleratorami AI, zebrał około 850 milionów dolarów finansowania (w tym rundę Series D na 400 milionów w październiku 2024). Europejski projekt NEUROPULS, finansowany z Horyzontu Europa budżetem około 8,3 miliona euro, łączy laboratoria fotoniki neuromorficznej na całym kontynencie.

Rys. 2. Ekosystem fizycznych sieci neuronowych: od laboratorium do rynku. Źródła: Wright et al. (2022), Momeni et al. (2025), Lightmatter (2024), CORDIS.

PAT nie jest jedyną metodą trenowania fizycznych sieci neuronowych. Ale jest tą, która w 2022 roku pokazała, że backpropagation — algorytm napędzający całą współczesną AI — może działać poza światem krzemu. A to w nauce często znaczy więcej niż najlepszy wynik liczbowy.

Polska: fotonika jest. Integracji brak.

Polska nie ma własnego startupu neuromorficznego. Ma natomiast laboratoria, które produkują komponenty wchodzące w globalny łańcuch dostaw fizycznych akceleratorów AI.

Na Politechnice Warszawskiej zespół Ryszarda Piramidowicza pracuje nad fotoniką scaloną: falowodami, modulatorami elektrooptycznymi i sprzęgaczami światłowodowymi. To nie są badania koncepcyjne. To inżynieria urządzeń gotowych do integracji z infrastrukturą telekomunikacyjną, które mogą służyć jako warstwy fizyczne optycznych sieci neuronowych. Falowód wytrawiony w laboratorium Piramidowicza może być elementem mnożącym macierze — tym samym, który w układzie optycznym wykonuje inferencję zamiast GPU.

W skali kraju istnieje rozproszona sieć kompetencji. Instytut Mikroelektroniki i Fotoniki rozwija procesy CMOS kompatybilne z fotonicznymi układami scalonymi. Politechnika Wrocławska i AGH prowadzą badania nad materiałami funkcjonalnymi dla fotoniki. Centra NanoFab i CEZAMAT oferują dostęp do clean roomów klasy akademickiej i półprzemysłowej, zdolnych do wytwarzania struktur fotonicznych o rozdzielczości setek nanometrów.

Brakuje podmiotu, który złożyłby te klocki w gotowy produkt. Optyczny akcelerator AI nie potrzebuje fabryki półprzewodników 2 nm. Potrzebuje falowodów, modulatorów, źródła światła i fotodetektorów. Wszystko to można wytworzyć w istniejących polskich laboratoriach. Algorytmy w rodzaju PAT są publicznie dostępne, opisane w Nature, gotowe do adaptacji.

Problem nie leży w braku technologii. Leży w integracji. Kto pierwszy połączy polską fotonikę z algorytmem pokroju PAT, ten może zaistnieć na rynku, który globalnie dopiero się formuje. Lightmatter zebrał 850 milionów dolarów. Rain AI rozwija chipy neuromorficzne. Europejskie konsorcja składają wnioski o finansowanie.

Okno nie będzie otwarte wiecznie. Polska ma części. Nie ma montowni. Pytanie, czy ktoś ją zbuduje, zanim będzie za późno.

Źródła

1. Wright L.G., Onodera T., Stein M.M., Wang T., Schachter D.T., Hu Z., McMahon P.L., *Deep physical neural networks trained with backpropagation*, Nature 601, 549–555 (2022). DOI: 10.1038/s41586-021-04223-6

1. Momeni A. et al., *Training of physical neural networks*, Nature (2025). DOI: 10.1038/s41586-025-08756-y

1. Scellier B., Bengio Y., *Equilibrium propagation: Bridging the gap between energy-based models and backpropagation*, Frontiers in Computational Neuroscience 11, 24 (2017). DOI: 10.3389/fncom.2017.00024

1. Romera M. et al., *Vowel recognition with four coupled spin-torque nano-oscillators*, Nature 563, 230–234 (2018). DOI: 10.1038/s41586-018-0632-y

1. Marković D., Mizrahi A., Querlioz D., Grollier J., *Physics for neuromorphic computing*, Nature Reviews Physics 2, 499–510 (2020). DOI: 10.1038/s42254-020-0208-2