Fótons como neurônios: a descoberta italiana que liga a interferência quântica aos modelos de memória artificial.

Uma equipe internacional de pesquisadores do CNR-Nanotec, do Instituto Italiano de Tecnologia (IIT) e da Universidade Sapienza de Roma demonstrou que fótons idênticos que se propagam em circuitos ópticos se comportam espontaneamente como uma rede de Hopfield, o modelo matemático clássico da memória associativa do cérebro humano.

O estudo, publicado em 18 de fevereiro de 2026 na revista Physical Review Letters (Phys. Rev. Lett. 136, 070602, DOI: 10.1103/945c-11wt), estabelece pela primeira vez uma conexão formal entre a interferência quântica multifotônica e os Hamiltonianos de Hopfield de redes neurais artificiais. Este estudo abre caminho para perspectivas concretas no desenvolvimento de hardware de IA de ultrabaixo consumo energético baseado em fotônica integrada.

O modelo de Hopfield: memória associativa e redes neurais clássicas

Para compreender a importância desta descoberta, é necessário começar pelo modelo teórico ao qual os fótons se mostraram análogos. O modelo de Hopfield , introduzido pelo físico John J. Hopfield em 1982, é uma das arquiteturas fundamentais das redes neurais artificiais. Trata-se de uma rede recorrente totalmente conectada, na qual cada unidade (neurônio artificial) pode estar em um de dois estados, convencionalmente representados como +1 e -1, análogos aos valores binários dos neurônios biológicos que disparam ou não um potencial de ação. As conexões entre as unidades são definidas por pesos sinápticos, e a rede evolui ao longo do tempo minimizando uma função de energia que depende do estado geral do sistema.

A propriedade mais importante do modelo de Hopfield é sua capacidade de funcionar como uma memória associativa : a rede pode ser "treinada" para memorizar um certo número de padrões (configurações de estado) que correspondem aos mínimos locais da função de energia. Quando apresentada como entrada um padrão parcialmente corrompido ou incompleto, a rede evolui espontaneamente em direção ao mínimo mais próximo, "relembrando" o padrão memorizado completo. Esse mecanismo é análogo à forma como o cérebro humano consegue reconhecer um rosto ou lembrar uma melodia a partir de pistas parciais.

O modelo original de Hopfield é classificado como um modelo de dois corpos , o que significa que a função de energia inclui apenas termos de interação entre pares de neurônios. Nos anos subsequentes, foram propostos modelos generalizados com interações de p corpos, nos quais grupos de três, quatro ou mais neurônios interagem simultaneamente. Esses modelos generalizados exibem propriedades de memória mais poderosas do que o modelo original, com a capacidade de armazenar um número de padrões que cresce exponencialmente com o tamanho da rede, em comparação com o crescimento linear do modelo de dois corpos. No entanto, sua implementação prática é muito mais complexa e a simulação computacional em hardware convencional torna-se rapidamente proibitiva à medida que o tamanho do sistema aumenta.

O modelo de Hopfield também possui uma estreita ligação com a física estatística de vidros de spin , sistemas magnéticos com interações desordenadas que exibem propriedades de memória e alta complexidade computacional. Essa conexão não é coincidência: Hopfield foi explicitamente inspirado pelo trabalho de Giorgio Parisi e Samuel Edwards sobre vidros de spin ao formular seu modelo. A conexão teórica entre redes neurais, vidros de spin e mecânica estatística foi posteriormente explorada por Hopfield e David Tank na década de 1980 e influenciou o desenvolvimento de toda a teoria de redes neurais recorrentes. Por essas contribuições, Giorgio Parisi recebeu o Prêmio Nobel de Física em 2021 , data que confere uma dimensão ainda mais significativa à descoberta de 2026.

Interferência quântica multifotônica: o fenômeno de Hong-Ou-Mandel e amostragem de bósons

O segundo pilar conceitual da pesquisa é a interferência quântica multifotônica , um fenômeno que ocorre quando fótons idênticos (indistinguíveis) se propagam através de circuitos ópticos lineares. Para entender esse fenômeno, é útil começar com o experimento fundamental que o ilustra em sua forma mais simples.

O efeito Hong-Ou-Mandel , demonstrado experimentalmente em 1987, mostra que dois fótons idênticos enviados simultaneamente às duas entradas de um divisor de feixe (divisor de feixe óptico 50/50) sempre saem juntos pela mesma saída, nunca separados por um de cada saída. Esse comportamento é radicalmente diferente do de partículas clássicas ou mesmo de fótons distinguíveis, e é uma consequência direta da estatística bosoniana: fótons são bósons e sua função de onda deve ser simétrica em relação à troca. Quando os dois fótons são perfeitamente indistinguíveis, as contribuições de amplitude para os casos em que saem separadamente se cancelam devido à interferência destrutiva, restando apenas as contribuições para os casos em que saem juntos.

Estendendo esse princípio a sistemas com muitos fótons e muitos modos ópticos, obtemos o problema da amostragem de bósons : dados N fótons idênticos injetados em um interferômetro linear de M modos, qual é a distribuição de probabilidade dos padrões de detecção de saída? A resposta requer o cálculo do permanente de uma submatriz da matriz unitária que descreve o interferômetro. O permanente é uma função matemática análoga ao determinante, mas com todos os sinais positivos, e seu cálculo é um problema computacionalmente difícil (complexidade #P-difícil) para computadores clássicos. Isso torna a amostragem de bósons um candidato natural para demonstrar a vantagem quântica : um sistema fotônico pode amostrar da distribuição de amostragem de bósons de forma muito mais eficiente do que qualquer computador clássico para matrizes suficientemente grandes.

A conexão entre amostragem de bósons e modelos de Hopfield era desconhecida antes do trabalho publicado em 2026. A principal contribuição teórica do artigo de Zanfardino e seus colegas é ter demonstrado formalmente que as estatísticas de saída de um sistema de N fótons idênticos em M modos , adequadamente condicionados pela presença de um arranjo controlável de moduladores de fase binários, são descritas matematicamente por um Hamiltoniano de Hopfield de p corpos, onde p é exatamente 2N. Dois fótons geram um modelo de quatro corpos (Hopfield de 4 corpos), três fótons um modelo de seis corpos e assim por diante.

A arquitetura do simulador fotônico: interferômetro, moduladores de fase e modos.

A arquitetura do simulador quântico descrito no artigo é composta por três elementos funcionais distintos que operam em sequência.

O primeiro elemento é a fonte de fótons idênticos : o sistema requer fótons perfeitamente indistinguíveis, tipicamente gerados por meio de processos de conversão paramétrica espontânea descendente (SPDC) ou fontes de fóton único baseadas em defeitos em materiais de banda larga ou pontos quânticos. A indistinguibilidade dos fótons é o requisito mais crítico para a interferência quântica: qualquer diferença nos parâmetros dos fótons (frequência, polarização, largura temporal do pacote de ondas) reduz a visibilidade da interferência e degrada o desempenho do simulador.

O segundo elemento é um conjunto controlável de moduladores de fase binários , um para cada um dos M modos ópticos. Cada modulador de fase pode aplicar uma fase de 0 ou π ao campo óptico que o atravessa, correspondendo aos estados +1 e -1 dos neurônios de Ising no modelo de Hopfield. A configuração do conjunto de moduladores de fase codifica a informação a ser armazenada ou o padrão a ser recuperado pela rede. Este elemento é fundamental porque é o componente programável do simulador: alterando as fases dos moduladores de fase, o padrão armazenado pode ser alterado ou o padrão a ser recuperado pode ser selecionado.

O terceiro elemento é um interferômetro linear multimodo com M entradas e M saídas, descrito por uma matriz unitária U de tamanho M×M. O interferômetro pode ser fisicamente implementado por meio de uma série de divisores de feixe e deslocadores de fase adicionais, configurados de acordo com o projeto de Clements (2016, Optica), o que permite a implementação de qualquer matriz unitária M×M com um número de componentes que cresce quadraticamente com M. Na configuração utilizada para as simulações numéricas deste artigo, M possui 50 modos , com dois fótons (N=2) gerando um modelo de Hopfield de quatro corpos em 50 neurônios de Ising.

A matemática que conecta esses três elementos ao modelo de Hopfield baseia-se no cálculo das probabilidades de detecção de saída do interferômetro. A probabilidade de observar um padrão de detecção de saída específico, para uma dada configuração de moduladores de fase de entrada, é proporcional ao quadrado do módulo de um permanente de uma submatriz de U. Somando adequadamente esses permanentes e aplicando a teoria das réplicas da mecânica estatística, obtemos que a função de partição do sistema de fótons corresponde exatamente à de um modelo de Hopfield de p corpos, com o parâmetro p determinado pelo número de fótons e a temperatura efetiva controlada pela arquitetura do interferômetro.

O diagrama de fases: recuperação, paramagnetismo e vidro de spin.

Um dos resultados mais significativos do artigo é a caracterização completa do diagrama de fases do modelo de Hopfield de quatro corpos, realizado com o interferômetro fotônico de dois fótons de 50 modos. O diagrama de fases descreve como o comportamento do sistema varia em função de dois parâmetros: a temperatura efetiva T (que, no contexto fotônico, é controlada pelos parâmetros do interferômetro) e a razão α entre o número de padrões armazenados e o número de neurônios (modo óptico).

O sistema exibe três fases distintas, cada uma com propriedades físicas e computacionais características. A primeira é a fase paramagnética , que ocorre em altas temperaturas efetivas ou alta densidade de armazenamento (α alto). Nessa fase, o sistema não apresenta correlação entre estados vizinhos e é incapaz de recuperar qualquer um dos padrões armazenados: as flutuações térmicas são tão intensas que destroem qualquer organização. A distribuição de sobreposição (parâmetro de sobreposição m) entre o estado do sistema e os padrões armazenados é centrada em zero, indicando a ausência de recuperação.

A segunda fase é a de recuperação , a região operacional útil do sistema. Ela ocorre em baixas temperaturas efetivas e baixa densidade de memória. Nessa fase, o sistema evolui espontaneamente em direção a um dos padrões armazenados, permitindo que a informação seja recuperada mesmo a partir de um padrão de entrada parcialmente corrompido ou incompleto. A coerência quântica desempenha um papel crucial aqui: é a interferência construtiva entre os caminhos de propagação dos fótons que "seleciona" o mínimo de energia correspondente ao padrão armazenado e amplifica a probabilidade de observar o padrão de saída correto.

A terceira fase é a fase de spin-glass , a mais interessante do ponto de vista teórico. Ela ocorre em uma alta densidade de memória, mas uma baixa temperatura efetiva, uma combinação na qual o sistema está "frio", mas sobrecarregado pela quantidade de informação. Nessa fase, o sistema fica preso em mínimos de energia locais que não correspondem a nenhum dos padrões armazenados, mas a estados intermediários desordenados, chamados estados espúrios . O parâmetro de sobreposição m com os padrões armazenados é próximo de zero, mas o parâmetro de ordem do spin-glass q é diferente de zero, indicando que o sistema encontrou um mínimo, mas não um dos mínimos "úteis". Essa é a fase de "apagão de memória": o sistema não consegue mais recuperar a informação porque está preso em um labirinto de mínimos espúrios.

A transição entre as fases de recuperação e de vidro de spin, à medida que α aumenta além de um valor crítico α_c, representa o limite fundamental da capacidade de memória do simulador fotônico . Esse limite não é uma falha tecnológica que possa ser eliminada com hardware melhor, mas sim uma propriedade intrínseca do modelo físico que surge da matemática dos vidros de spin. Para o modelo de quatro corpos (dois fótons), a capacidade de memória é significativamente maior do que a do modelo original de Hopfield de dois corpos, graças à natureza das interações multicorpos, que permitem uma separação mais nítida entre os mínimos correspondentes aos padrões armazenados e os mínimos espúrios.

A ligação entre os óculos de spin e o Prêmio Nobel de Parisi.

A descoberta faz parte de uma longa tradição científica que liga a física teórica de sistemas desordenados à teoria da aprendizagem de máquina e das redes neurais. Essa tradição tem suas raízes na teoria das réplicas , um método matemático desenvolvido por Giorgio Parisi nas décadas de 1970 e 1980 para estudar vidros de spin, sistemas magnéticos nos quais as interações entre os momentos magnéticos atômicos são aleatórias e competitivas (alguns ferromagnéticos, outros antiferromagnéticos), resultando em uma estrutura de energia com um número exponencial de mínimos locais.

A teoria das réplicas de Parisi forneceu a solução exata para o modelo de Sherrington-Kirkpatrick, o modelo de vidro de spin mais estudado, e revelou que os vidros de spin exibem uma estrutura ultramétrica de estados de equilíbrio, um resultado de profunda importância teórica. Hopfield percebeu que os mínimos de energia de seu modelo de rede neural correspondiam matematicamente aos estados de equilíbrio dos vidros de spin e que os métodos da mecânica estatística de sistemas desordenados eram diretamente aplicáveis ​​ao estudo das propriedades de armazenamento e recuperação de redes neurais.

O artigo de Zanfardino e seus colegas demonstra que as mesmas leis de desordem que governam os vidros de spin clássicos também emergem em circuitos fotônicos quânticos , estabelecendo um terceiro nível de conexão que estende a cadeia teórica do domínio clássico para o quântico. Fabrizio Illuminati, diretor do CNR-Nanotec e coautor da pesquisa, enfatizou esse aspecto: "Demonstramos que as leis de desordem observadas em sistemas clássicos também emergem em circuitos fotônicos quânticos". A transição para a fase de vidro de spin no simulador fotônico não é uma patologia do sistema experimental, mas a manifestação quântica do mesmo fenômeno que Parisi havia descrito matematicamente para sistemas clássicos décadas antes.

Escalando o modelo: de dois fótons a sistemas maiores

Este artigo concentra-se no caso específico de dois fótons dentre 50 modos , o que resulta em um modelo de Hopfield de quatro corpos. Essa escolha não limita o arcabouço teórico, que se generaliza diretamente para um número arbitrário de fótons e modos. Com N fótons, o sistema realiza um modelo de Hopfield de 2N corpos, e a capacidade de armazenamento aumenta superlinearmente com N.

A generalização, no entanto, introduz desafios tecnológicos significativos. A indistinguibilidade dos fótons deve ser mantida para todos os N fótons simultaneamente, e a taxa de erro em coincidências multifotônicas aumenta com N. O interferômetro deve ser programável em M modos com uma precisão que aumenta com o tamanho do sistema, e flutuações na matriz do interferômetro se traduzem em erros no modelo de Hopfield simulado. O artigo discute como implementações futuras poderiam explorar redes com interações locais ou esparsas (não totalmente conectadas), alcançáveis ​​pela engenharia de matrizes de espalhamento que misturam apenas modos vizinhos, e como estados fotônicos com amplitudes não uniformes poderiam permitir interações diluídas ou dependentes da distância entre neurônios.

Um aspecto particularmente promissor para a escalabilidade é a compatibilidade da arquitetura com plataformas de fotônica integrada baseadas em silício . Circuitos fotônicos integrados baseados em silício permitem a realização de interferômetros multimodo com centenas de modos em um chip de poucos centímetros quadrados, aproveitando a mesma infraestrutura de fabricação da indústria microeletrônica. A transição da bancada óptica para o chip integrado é, portanto, tecnologicamente viável, e o artigo menciona explicitamente a fotônica integrada como uma direção primordial para a realização de dispositivos práticos.

Consumo de energia do hardware de IA e a vantagem da fotônica

Uma das razões práticas mais prementes para esta pesquisa é o problema do consumo de energia da IA. Os centros de dados que alimentam os modernos sistemas de IA baseados em redes neurais profundas consomem quantidades cada vez maiores de eletricidade: estimativas da indústria indicam que, até 2026, os centros de dados globais poderão consumir entre 620 e 1.050 TWh anualmente, um valor comparável ao consumo anual de países europeus de porte médio.

Os custos de energia são determinados principalmente por dois fatores. O primeiro é o consumo de energia dos chips eletrônicos (GPUs e TPUs) durante as operações de multiplicação de matrizes por vetores, que constituem o núcleo computacional das redes neurais – operações que exigem a multiplicação e a soma de bilhões de números de ponto flutuante a cada segundo. O segundo é o custo do resfriamento: os chips eletrônicos dissipam calor que precisa ser removido por sistemas de refrigeração que, em alguns casos, consomem quase tanta energia quanto os próprios chips.

Os circuitos fotônicos operam com base em princípios físicos que eliminam ambos os problemas pela raiz. A propagação da luz em guias de onda ópticos não gera calor devido à resistência ôhmica, uma vez que os fótons não são portadores de carga. A multiplicação matriz-vetor pode ser implementada opticamente por meio da propagação em um interferômetro multimodo: cada fóton que passa pelo interferômetro computa implicitamente a operação linear correspondente à matriz identidade do interferômetro, sem dissipar energia no processo de computação propriamente dito. O consumo de energia restante se limita aos detectores de fótons e a quaisquer moduladores (como deslocadores de fase) necessários para programar o circuito.

Luca Leuzzi, do CNR-Nanotec, quantificou a magnitude potencial da vantagem: dispositivos fotônicos integrados poderiam "garantir alto desempenho com consumo de energia drasticamente menor do que os data centers atuais". A palavra "drasticamente" reflete ordens de magnitude, não porcentagens: enquanto as melhorias de eficiência em chips eletrônicos são medidas em fatores de 2 a 5 vezes por geração, os circuitos fotônicos têm o potencial teórico de reduzir o consumo de energia das operações computacionais em 2 a 3 ordens de magnitude, uma vez que eliminam a dissipação ôhmica e seu efeito dominante no balanço energético.

Aplicações além da inteligência artificial: sistemas complexos e redes biológicas

O comunicado de imprensa oficial do CNR e o artigo publicado na Physical Review Letters enfatizam que as implicações da pesquisa não se limitam ao campo da inteligência artificial. A plataforma fotônica desenvolvida para simular o modelo de Hopfield é, na verdade, uma ferramenta mais geral para simular sistemas físicos complexos e desordenados , difíceis ou impossíveis de processar com computadores clássicos.

Sistemas complexos desordenados abrangem uma ampla gama de fenômenos naturais: redes de interação de proteínas em células biológicas, dinâmica de redes ecológicas, modelos climáticos e de correntes oceânicas, e sistemas de otimização combinatória, como o problema do caixeiro-viajante. Todos esses sistemas compartilham a característica de possuir um número exponencial de estados possíveis com energias semelhantes, o que torna sua simulação clássica computacionalmente inviável em grandes escalas.

A conexão estabelecida no artigo entre interferômetros fotônicos e modelos de Hopfield sugere que a mesma arquitetura poderia ser usada para simular diretamente a física desses sistemas, explorando a vantagem quântica da amostragem de bósons para amostrar a distribuição de probabilidade dos estados de forma mais eficiente do que os métodos clássicos de Monte Carlo. Fabrizio Illuminati articulou essa perspectiva descrevendo o circuito fotônico como "um verdadeiro laboratório em miniatura, capaz de explorar os fenômenos complexos que governam sistemas naturais e artificiais, do clima às redes biológicas".

A equipe de pesquisa: instituições e autores

O artigo é de autoria de oito autores de seis instituições em quatro países. O primeiro autor é Gennaro Zanfardino , pesquisador da Universidade de Salento e afiliado ao INFN (Seção de Nápoles, Grupo Conectado de Salerno), que conduziu a análise teórica principal. O segundo autor é Stefano Paesani, do Instituto Niels Bohr da Universidade de Copenhague e do Centro de Redes Quânticas Híbridas (Hy-Q), responsável pela componente experimental e teórica de fotônica. Luca Leuzzi , diretor de pesquisa do CNR-Nanotec e afiliado à Universidade Sapienza de Roma, coordenou a ligação com a teoria de redes neurais e vidros de spin. Raffaele Santagati é afiliado aos Laboratórios Quânticos da Boehringer Ingelheim (Ingelheim am Rhein, Alemanha), uma empresa farmacêutica com um programa de pesquisa em computação quântica.

Fabio Sciarrino , professor da Universidade Sapienza de Roma, é um dos maiores especialistas europeus em informação quântica e fotônica quântica. Fabrizio Illuminati , diretor do CNR-Nanotec e professor da Universidade de Salerno, coordenou o aspecto da mecânica estatística quântica. Giancarlo Ruocco , professor da Sapienza e afiliado ao IIT (Centro de Nanociência e Neurociência da Vida), contribuiu para a análise de sistemas complexos. O autor correspondente do artigo é Marco Leonetti , do CNR-Nanotec, pesquisador especializado em óptica desordenada e redes fotônicas complexas. A pesquisa foi financiada pelo INFN, pelo Ministério da Universidade e da Pesquisa da Itália e por programas europeus de pesquisa em tecnologia quântica, e faz parte do âmbito mais amplo da Iniciativa Europeia para a Computação Quântica (European Quantum Flagship) , a iniciativa decenal da Comissão Europeia para o desenvolvimento de tecnologias quânticas.

O artigo "Fótons como Neurônios: A Descoberta Italiana que Liga a Interferência Quântica a Modelos de Memória Artificial" foi publicado no Tech | CUENEWS .