Un gruppo di fisici dell'Università della Pennsylvania ha creato particelle ibride luce-materia capaci di interagire tra loro abbastanza intensamente da eseguire operazioni di calcolo, indicando una possibile strada verso un hardware per l'intelligenza artificiale ultraveloce e a bassissimo consumo. La ricerca, guidata dal fisico Bo Zhen e diffusa il 18 maggio 2026, affronta uno dei limiti più ostinati del calcolo basato sulla luce.
Che cosa sono gli eccitoni-polaritoni
Il punto di partenza è un fenomeno fisico tanto elegante quanto difficile da sfruttare. I ricercatori hanno fatto entrare la luce in una cavità su scala nanometrica, dove interagisce con un materiale spesso pochi atomi. Da questo accoppiamento nascono gli eccitoni-polaritoni: particelle ibride che combinano la velocità della luce con la capacità della materia di interagire. È proprio questa doppia natura a renderle interessanti, perché permette di usare un segnale luminoso per controllarne un altro.
In termini pratici, il gruppo ha dimostrato la commutazione di un segnale ottenuta interamente con la luce, senza passare per l'elettronica. Un'operazione del genere è la base del calcolo: poter dire a un segnale di passare o fermarsi in funzione di un altro segnale.
Perché il consumo è la notizia
L'aspetto più sorprendente è l'efficienza energetica. Per realizzare la commutazione tutta-luce, i ricercatori hanno usato soltanto circa quattro milionesimi di miliardesimo di joule, una quantità di energia talmente piccola da risultare ben inferiore a quella necessaria per accendere brevemente un minuscolo LED. In un'epoca in cui l'addestramento e l'uso dei grandi modelli divorano quantità enormi di elettricità e mettono sotto pressione le reti, un calcolo che consuma così poco non è un dettaglio accademico, ma un potenziale cambio di paradigma.
Il problema che questa scoperta prova a risolvere
Molti chip fotonici esistono già e sanno eseguire calcoli semplici usando la luce, in particolare le moltiplicazioni che stanno alla base delle reti neurali. Il problema arriva quando serve applicare le cosiddette funzioni di attivazione non lineari, cioè le regole decisionali che permettono a una rete neurale di apprendere relazioni complesse. Per fare quel passaggio, i chip ottici attuali devono riconvertire i segnali luminosi in segnali elettronici, più lenti e affamati di energia, per poi tornare alla luce. Queste continue traduzioni erodono proprio i vantaggi di velocità ed efficienza che rendono attraente il calcolo fotonico.
Il risultato di Penn aiuta ad aggirare questo collo di bottiglia, perché consente di eseguire operazioni non lineari direttamente con la luce. Resta, naturalmente, una ricerca di laboratorio, lontana da un prodotto commerciale: servono anni di lavoro per passare da una dimostrazione di principio a un chip industriale affidabile e producibile su larga scala. Ma in un settore dove l'energia sta diventando il vero fattore limitante della crescita dell'IA, una via che promette calcolo a costi energetici irrisori merita di essere seguita con attenzione.
Perché l'energia è diventata il vero limite dell'IA
Il contesto rende la scoperta più che accademica. La diffusione dei grandi modelli ha fatto esplodere il consumo elettrico dei data center: le società che li gestiscono stanno firmando contratti per centrali nucleari, impianti a gas e parchi solari pur di alimentare le proprie schede grafiche. Ogni miglioramento nell'efficienza del calcolo si traduce, su questa scala, in risparmi enormi di energia e di emissioni. È la ragione per cui colossi come NVIDIA, Intel e numerosi gruppi di ricerca finanziano da anni la fotonica integrata, cioè l'idea di spostare parte del calcolo dagli elettroni ai fotoni.
La ricerca di Penn si inserisce in questo filone e ne tocca il punto più difficile, quello delle operazioni non lineari. Se l'approccio dimostrato in laboratorio dovesse reggere il passaggio alla produzione industriale, potrebbe affiancare i chip elettronici tradizionali in compiti specifici, alleggerendo il carico energetico dei data center. Non sostituirà i processori per l'IA nel breve periodo, ma indica una direzione che molti laboratori stanno esplorando in parallelo, dalla fotonica neuromorfica ai sistemi ottici per l'inferenza.
