L'AI fotonica della Koç University trasferisce l'elaborazione delle immagini alla luce, ma il bilancio energetico resta aperto

I ricercatori della Koç University specializzati in AI fotonica hanno presentato due sistemi ottici che trasferiscono l'elaborazione delle immagini alla luce, pur basandosi sull'elettronica attorno al nucleo ottico. Uno ha preservato le informazioni cromatiche raggiungendo un'accuratezza del 98% su un benchmark di immagini dermatologiche. L'altro ha utilizzato un laser a fibra per ottenere accuratezze comprese tra l'85% e il 99% su diversi set di dati.

I risultati offrono ai ricercatori dell'AI sostenibile un'alternativa più concreta rispetto alla semplice costruzione di acceleratori elettronici sempre più grandi. Tuttavia, non dimostrano che nessuno dei due sistemi consumi meno energia complessiva di un moderno deployment basato su GPU. Fotocamere, modulatori di luce, laser, elettronica di controllo e classificatori digitali restano parte del flusso di lavoro.

Questo divario definisce la vera storia. La Koç University ha dimostrato che i sistemi ottici fisici possono eseguire trasformazioni utili anziché limitarsi a trasmettere dati. La prossima sfida non è la luce contro l'elettricità considerate isolatamente. È l'elaborazione fotonica specializzata contro sistemi completi di calcolo elettronico altamente ottimizzati.

L'AI fotonica della Koç University trasferisce due carichi di lavoro alla luce

La ricerca sposta una fase significativa dell'elaborazione dal software all'hardware ottico fisico, ma non sostituisce l'intera pipeline di AI.

La ricerca riportata proviene dal professore assistente Uğur Teğin e dai suoi studenti della Koç University di Istanbul. Combina due studi separati pubblicati su Communications Engineering e Communications Physics.

Il primo sistema affronta dati multicanale, in particolare immagini a colori. Molti esperimenti di machine learning ottico semplificano l'input convertendo le immagini a colori in scala di grigi. Ciò riduce le informazioni che attraversano il sistema ottico prima dell'inizio della classificazione.

Teğin e la studentessa magistrale Fatma Nur Kılınç hanno adottato un approccio diverso. La loro rete neurale fotonica programmabile mantiene i canali rosso, verde e blu e li elabora insieme.

Una rete neurale fotonica è un hardware che utilizza la propagazione controllata della luce per eseguire trasformazioni matematiche associate al machine learning. Non riproduce necessariamente ogni livello di una rete neurale digitale.

I ricercatori hanno codificato i dati su un dispositivo spaziale programmabile per la luce. La luce ha quindi attraversato una configurazione ottica che ha miscelato e trasformato i canali. Una fotocamera ha catturato il pattern risultante, fornendo caratteristiche a un semplice classificatore digitale.

Questa distinzione è importante. L'apparecchiatura ottica esegue l'estrazione delle caratteristiche, ossia converte l'input grezzo in una rappresentazione che separa più chiaramente le categorie. La decisione finale avviene ancora elettronicamente.

Secondo lo studio multicanale, l'architettura apprende anche da misurazioni fisiche anziché dipendere interamente da una simulazione idealizzata. Questo la aiuta ad adattarsi a disallineamenti, aberrazioni ottiche, variazioni di produzione, polvere e deriva termica.

Queste imperfezioni spesso distinguono una simulazione fotonica convincente da un dispositivo utilizzabile. Un modello ottico può funzionare bene sulla carta mentre la versione fisica si comporta diversamente. L'ottimizzazione diretta dell'hardware rende questa discrepanza parte del processo di apprendimento.

Sul set di dati delle lesioni cutanee HAM10000, i ricercatori hanno riportato un'accuratezza di classificazione del 98% dopo l'elaborazione RGB ottimizzata. I risultati dettagliati del preprint mostrano una baseline del 67% sui pixel grezzi, con un miglioramento di 31 punti percentuali.

Il sistema ha inoltre raggiunto il 90% sul benchmark di immagini naturali STL-10 dopo l'ottimizzazione della miscelazione dei canali. L'elaborazione RGB ha superato costantemente quella in scala di grigi di cinque-sei punti percentuali con la stessa architettura ottica.

Il secondo studio ha trasferito un'operazione diversa nella fisica. Teğin, Dilem Eşlik, Kılınç e Bahadır Utku Kesgin hanno utilizzato un laser multimodale a fibra a onda continua come processore ottico non lineare.

La non linearità consente a un processore di creare relazioni più complesse di una somma ponderata diretta. Le moderne reti neurali dipendono da trasformazioni non lineari per separare pattern che i semplici metodi lineari non riescono a distinguere.

I ricercatori hanno codificato le immagini come pattern di fase prima di inviarle nella cavità laser. L'interferenza multimodale e la saturazione del guadagno hanno trasformato l'input in pattern di intensità stabili. Una fotocamera ha registrato tali pattern per un classificatore lineare.

Questa configurazione ha raggiunto un'accuratezza dall'85% al 99% su benchmark che coinvolgevano rifiuti riciclabili, condizioni meteorologiche, immagini satellitari, scansioni retiniche e lesioni cutanee. L'articolo sul laser a fibra afferma che ha richiesto ordini di grandezza in meno di parametri addestrabili rispetto alle reti neurali profonde.

I due sistemi affrontano quindi problemi complementari. Uno preserva e ottimizza più canali informativi. L'altro fornisce una trasformazione non lineare delle caratteristiche attraverso il comportamento di una cavità laser.

Insieme, dimostrano che l'hardware ottico può fare più che accelerare una predeterminata operazione matriciale. Può modellare le informazioni in una forma che rende più semplice un'attività di classificazione a valle.

Perché l'hardware per un'AI sostenibile richiede più di GPU più veloci

La pressione che alimenta l'AI fotonica deriva da elettricità, calore e movimento dei dati, non da un improvviso fallimento dei chip elettronici.

L'infrastruttura di AI resta dominata dalle unità di elaborazione grafica e da altri acceleratori elettronici. Questi sistemi sono programmabili, supportati da software maturo e prodotti tramite catene di approvvigionamento consolidate.

La loro debolezza emerge quando il calcolo cresce su modelli e cluster più grandi. Lo spostamento dei dati tra memoria, processori e interfacce di rete consuma energia. La resistenza elettrica genera inoltre calore, aumentando i requisiti di raffreddamento.

L'Agenzia Internazionale dell'Energia ha stimato che i data center abbiano consumato 415 terawattora di elettricità nel 2024. Ciò rappresentava circa l'1,5% del consumo mondiale di elettricità.

Le sue prospettive energetiche prevedono circa 945 terawattora entro il 2030. L'AI è il principale motore di questa crescita, sebbene contribuiscano anche altri servizi digitali.

La previsione non significa che la sola AI consumerà l'intero totale previsto. Mostra però perché l'efficienza dell'hardware influisce oggi sulla pianificazione delle reti elettriche, sulla costruzione dei data center, sui costi operativi e sui tempi di implementazione.

L'IEA stima inoltre che un tipico data center focalizzato sull'AI utilizzi tanta elettricità quanto 100.000 abitazioni. Le strutture più grandi in costruzione potrebbero utilizzarne 20 volte tanto.

I vincoli locali possono emergere prima che il consumo globale di elettricità diventi predominante. I data center si concentrano dove sono disponibili fibra, terreni, clienti e infrastrutture elettriche. Nelle economie avanzate, le nuove linee di trasmissione richiedono spesso da quattro a otto anni.

L'elaborazione fotonica punta a ridurre parte di questa pressione sfruttando il comportamento fisico della luce. I fotoni non hanno carica elettrica, quindi il loro spostamento attraverso una struttura ottica evita alcune perdite resistive presenti nei circuiti elettronici.

La luce supporta inoltre il parallelismo su lunghezza d'onda, spazio, fase e polarizzazione. Un singolo percorso ottico può trasportare vari canali informativi senza elaborare ciascun canale attraverso un'identica sequenza di operazioni elettroniche.

Queste proprietà rendono i dati di immagine interessanti per i primi sistemi fotonici. Il segnale originale è già ottico prima che il sensore di una fotocamera lo converta in pixel elettronici. Elaborare alcune informazioni prima, o in prossimità, di tale conversione può ridurre il lavoro digitale successivo.

Tra le possibili applicazioni figurano visione artificiale, imaging medico, ispezione industriale, telerilevamento e sistemi autonomi. Ciascuna richiede decisioni rapide da input visivi, talvolta entro rigidi limiti di potenza o latenza.

Tuttavia, un maggiore parallelismo ottico non produce automaticamente una bolletta energetica inferiore a livello di sistema. I laser richiedono elettricità. I modulatori spaziali di luce necessitano di segnali di controllo. Le fotocamere devono catturare gli output, mentre l'hardware elettronico prepara gli input e interpreta i risultati.

I due prototipi della Koç University dovrebbero quindi essere considerati sistemi di offloading dei carichi di lavoro. Trasferiscono trasformazioni selezionate dal software digitale alla fisica ottica.

Questo approccio ricorda la più ampia storia degli acceleratori. Le GPU non hanno eliminato i processori centrali. Hanno assunto operazioni adatte al loro design parallelo. In seguito, i chip AI specializzati hanno trasferito ulteriori calcoli matriciali in hardware progettato appositamente.

Gli acceleratori fotonici cercano un'altra divisione del lavoro. Mirano a gestire operazioni in cui la propagazione parallela della luce offre un vantaggio significativo. I processori elettronici manterrebbero il controllo del flusso, la gestione della memoria, il software generico e le attività che richiedono un'elevata flessibilità numerica.

L'argomento più solido per la sostenibilità dipenderà dall'energia totale del carico di lavoro, non dall'efficienza del solo passaggio ottico. I ricercatori devono contabilizzare la preparazione dei dati, le conversioni, la generazione della luce, il rilevamento, il raffreddamento e l'elettronica di supporto.

Un apparato di laboratorio può comunque essere importante prima che esistano tali misurazioni. Può identificare quali operazioni si adattano bene alla luce e quali problemi hardware ostacolano l'implementazione.

Il contributo della Koç University si colloca qui. I suoi sistemi ampliano l'insieme delle trasformazioni ottiche utili affrontando al contempo le imperfezioni dell'hardware reale. Non risolvono ancora il dibattito energetico sui data center.

Come l'AI fotonica della Koç University elabora effettivamente le immagini

Il meccanismo trasforma la propagazione della luce in estrazione di caratteristiche, quindi restituisce all'elettronica il problema di classificazione più semplice.

Il sistema multicanale inizia con un'immagine o un altro input multidimensionale. Il software mappa questi dati su un dispositivo ottico programmabile, che controlla il modo in cui diverse porzioni di un campo luminoso si propagano.

Il dispositivo preserva i canali RGB anziché comprimerli in un'unica rappresentazione in scala di grigi. Ciò offre al sistema ottico accesso alle relazioni cromatiche insieme a forme e texture.

La luce attraversa molteplici trasformazioni controllate. L'interferenza combina onde in base alle loro ampiezze e fasi, producendo un pattern di output che riflette simultaneamente molte relazioni dell'input.

Una fotocamera misura quindi il pattern di intensità. Queste misurazioni diventano caratteristiche numeriche per un classificatore ridge, un modello lineare relativamente semplice con regolarizzazione.

Il classificatore non è responsabile di scoprire da solo tutta la struttura utile dell'immagine. La trasformazione ottica ha già riorganizzato i dati affinché le categorie risultino più facili da separare.

I ricercatori hanno utilizzato l'ottimizzazione bayesiana per regolare sei parametri di miscelazione dei canali. L'ottimizzazione bayesiana seleziona configurazioni promettenti sulla base dei risultati di esperimenti precedenti, riducendo la necessità di testare ogni combinazione.

Hanno inoltre applicato un metodo hardware-in-the-loop ispirato alla criticità auto-organizzata. Questo processo ha perturbato uno spazio di fase ottico molto più ampio e ha valutato i cambiamenti utilizzando misurazioni dell'apparato reale.

Secondo il preprint dello studio, la seconda ottimizzazione ha gestito 22.500 parametri. In un'attività riportata, ha raggiunto la convergenza in circa 75 iterazioni.

I due metodi intervengono su livelli diversi. La miscelazione dei canali modifica il modo in cui le informazioni entrano nel sistema. L'ottimizzazione dell'hardware modifica la configurazione fisica di fase attraverso cui viaggia la luce.

Ciascuno ha aggiunto altri sei-sette punti percentuali nei rispettivi esperimenti. Questa somiglianza è significativa perché un metodo regola solo sei variabili, mentre l’altro ne esplora migliaia.

Suggerisce che una progettazione accurata dell’input possa contare quanto una ricerca hardware molto più ampia. Avverte inoltre dal considerare il parallelismo ottico grezzo come sufficiente di per sé.

Il sistema a laser in fibra sfrutta un effetto fisico diverso. Una fibra multimodale supporta simultaneamente molti schemi spaziali della luce. All’interno di una cavità laser, tali modi interagiscono attraverso l’interferenza e le dinamiche di guadagno.

Un’immagine di input viene codificata come schema di fase. Mentre questo schema circola, la cavità lo mappa in una distribuzione di intensità luminosa a dimensionalità superiore.

La saturazione del guadagno fornisce la fondamentale risposta non lineare. Quando l’amplificazione ottica si avvicina al proprio limite, l’output non cambia più in proporzione diretta all’input.

Questo comportamento non lineare aiuta a distinguere categorie complesse. Lo schema risultante può rendere una classe di immagini accessibile a una frontiera decisionale lineare, anche quando i pixel grezzi non sono facilmente separabili.

Il team di ricerca ha utilizzato un laser a onda continua anziché impulsi ultracorti ad alta potenza. Questa scelta sostiene la tesi di un processore fisico più compatto e potenzialmente a minore consumo.

Tuttavia, i valori di accuratezza pubblicati richiedono un’interpretazione cauta. L’accuratezza dipende dal set di dati, dalla suddivisione per l’addestramento, dal preprocessing, dal bilanciamento delle classi e dal modello di confronto.

Un risultato del 98% in un esperimento su immagini mediche non significa che l’apparato diagnostichi le malattie della pelle con un’affidabilità del 98% nella pratica clinica. Il lavoro valuta un benchmark di machine learning, non un prodotto medico distribuito.

Il primo studio confronta inoltre le caratteristiche ottiche con pixel grezzi elaborati dallo stesso semplice classificatore. Ciò controlla la capacità del classificatore, ma non equivale al confronto con un moderno modello di visione completo.

Gli autori riconoscono che il confronto diretto con il deep learning è complicato dalle differenze nella capacità del modello, nei dati di addestramento e nel costo computazionale. La loro tesi principale riguarda l’estrazione di caratteristiche ottiche, non una superiorità universale rispetto ai modelli digitali.

Questa è la corretta chiave di lettura dei risultati riportati. I sistemi ottici hanno prodotto rappresentazioni preziose con un addestramento digitale limitato. Non hanno superato ogni alternativa elettronica in termini di accuratezza, energia, costo e scala.

Il meccanismo rivela anche dove debba concentrarsi il lavoro di integrazione. I dati iniziano in un sistema elettronico, salvo quando provengono direttamente da un sensore ottico. Devono essere codificati nella luce, elaborati, rilevati e reimmessi in un flusso di lavoro elettronico.

Ogni confine aggiunge latenza, consumo energetico, esigenze di calibrazione e potenziale perdita di informazioni. Un prodotto di successo deve guadagnare più nella fase ottica di quanto spenda per attraversare tali confini.

Le perdite di conversione mantengono l’AI fotonica indietro rispetto alle GPU general-purpose

La questione irrisolta più importante è se il sistema ottico completo superi l’elettronica ottimizzata dopo aver conteggiato ogni componente di conversione e controllo.

Il calcolo fotonico appare spesso convincente quando si isola una singola operazione ottica. La luce può propagarsi rapidamente, combinare molti canali ed eseguire alcune operazioni matematiche con poca energia incrementale.

Un computer distribuito non può isolare quell’operazione. Ha bisogno di memoria, software, codifica degli input, rilevamento degli output, gestione degli errori e interfacce con i processori esistenti.

Maxim Shcherbakov, professore di ingegneria elettrica all’University of California, Irvine, ha identificato la conversione elettro-ottica come un ostacolo centrale. I laser devono essere modulati con segnali elettronici, mentre i rilevatori riconvertono il risultato in dati elettronici.

La sua valutazione della fotonica sostiene che i processori fotonici general-purpose siano ancora indietro rispetto alle GPU standard. Shcherbakov vede prospettive più solide nel breve periodo nelle applicazioni edge specializzate.

Questa valutazione è coerente con gli esperimenti della Koç University. Entrambi i sistemi si rivolgono a compiti di classificazione strutturati. Nessuno dei due esegue un modello linguistico di grandi dimensioni general-purpose né sostituisce uno stack software GPU completo.

I sistemi edge potrebbero offrire un punto di ingresso più chiaro perché alcuni input arrivano già sotto forma di luce. Una fotocamera, un microscopio, uno strumento di imaging medico o di telerilevamento può potenzialmente elaborare informazioni ottiche prima di creare una rappresentazione elettronica completa.

Ciò riduce il numero di conversioni. Può inoltre ridurre il volume dei dati prima che le informazioni raggiungano un processore general-purpose, un sistema di memoria o una connessione di rete.

Un sensore visivo potrebbe identificare caratteristiche utili vicino alla lente, quindi trasmettere soltanto una rappresentazione compatta. Il valore deriverebbe da una minore latenza e da meno lavoro a valle, non dal ricreare una GPU nel vetro.

I data center cloud impongono uno standard più severo. Il loro hardware deve supportare molti modelli, dimensioni dei tensori, formati numerici e framework software in rapida evoluzione.

L’hardware fotonico spesso ottiene efficienza specializzandosi. Un comportamento ottico fisso può essere estremamente rapido per un’operazione corrispondente, ma difficile da riutilizzare quando cambia un algoritmo.

I modulatori programmabili migliorano la flessibilità, ma aggiungono complessità di controllo. La calibrazione può variare con la temperatura, le vibrazioni, l’invecchiamento dei componenti o piccoli cambiamenti meccanici.

L’ottimizzazione basata sull’hardware della Koç University affronta direttamente alcuni di questi problemi. L’apprendimento dalle misurazioni consente al sistema di assorbire imperfezioni che una simulazione ideale non rileva.

È un vantaggio ingegneristico, ma la ricalibrazione continua consuma anch’essa tempo ed energia. Una valutazione commerciale deve misurare con quale frequenza avviene l’adattamento e cosa accade tra i cicli di calibrazione.

La precisione è un altro punto critico. Gli acceleratori elettronici supportano formati numerici ben definiti e analisi degli errori mature. Le misurazioni ottiche analogiche contengono rumore e variazioni dei dispositivi.

Alcuni carichi di lavoro di machine learning tollerano una precisione ridotta. Altri amplificano piccoli errori attraverso operazioni ripetute, soprattutto quando sono collegati molti stadi ottici ed elettronici.

Gli esperimenti pubblicati utilizzano una trasformazione ottica seguita da un classificatore digitale. Questa struttura limitata riduce il rischio che gli errori si accumulino attraverso molti strati ottici.

L’estensione dell’approccio potrebbe introdurre nuovi compromessi. Più canali potrebbero aumentare il throughput, ma anche creare diafonia. Sistemi più grandi richiedono più rilevatori, elementi di controllo, packaging e allineamento.

La produzione conterà quanto la fisica di laboratorio. Un acceleratore utile deve essere ripetibile tra le unità, stabile nel tempo, compatibile con i processi produttivi e manutenibile all’interno di un sistema di calcolo.

Le prove sull’energia restano la lacuna maggiore nell’attuale annuncio. L’articolo sul laser in fibra descrive il proprio processore come compatto e a basso consumo, mentre l’articolo multicanale descrive potenziali vantaggi in termini di efficienza.

Nessuna sintesi pubblica fornisce un confronto energetico completo e convalidato in modo indipendente rispetto a un carico di lavoro GPU equivalente. Non esiste una contabilizzazione completa della sorgente, del modulatore, della fotocamera, del controller e del classificatore.

Questa assenza non invalida la ricerca. Limita la conclusione che i lettori dovrebbero trarne.

I sistemi dimostrano il calcolo con la luce e riportano solidi risultati di classificazione. Non dimostrano ancora un minore consumo energetico end-to-end per campione classificato correttamente in condizioni commerciali.

Il principale avversario non è quindi un altro laboratorio di fotonica. È lo stack elettronico consolidato, compresa la sua maturità software, la scala produttiva, la flessibilità e i continui miglioramenti di efficienza.

L’AI fotonica vince soltanto quando supera quello stack completo su un carico di lavoro di valore. Un kernel ottico più veloce è un’apertura, non il risultato finale.

Tre segnali mostreranno se il calcolo ottico può scalare

La fase successiva richiede misurazioni energetiche a livello di sistema, hardware integrato e test credibili su carichi di lavoro che vadano oltre i piccoli classificatori di laboratorio.

Il primo segnale è un benchmark energetico end-to-end. I ricercatori dovrebbero riportare joule per inferenza o per campione elaborato per l’intero apparato.

Questa misurazione deve includere il laser, la modulazione ottica, la fotocamera, il controllo digitale, il preprocessing, la calibrazione e il classificatore a valle. Il confronto elettronico dovrebbe eseguire lo stesso compito con accuratezza e latenza simili.

Se la Koç University o un team indipendente pubblicherà un simile risultato, la tesi dell’AI sostenibile diventerà molto più forte. Se i risparmi ottici scompaiono dopo le conversioni, il caso si restringerà alla latenza o al rilevamento specializzato.

Anche i confini della misurazione devono essere espliciti. Riportare soltanto l’energia utilizzata durante la propagazione della luce escluderebbe componenti che rendono operativo il processore.

Il secondo segnale è l’integrazione fisica. Entrambi i sistemi riportati utilizzano configurazioni ottiche da laboratorio con fotocamere e apparecchiature di controllo. I ricercatori identificano dispositivi compatti integrati su chip come un’importante direzione futura.

L’integrazione può accorciare i percorsi ottici, ridurre la sensibilità all’allineamento e abbassare i requisiti di packaging. Può inoltre rendere la tecnologia più facile da combinare con sensori e processori elettronici.

Un prototipo integrato di successo non dovrebbe sostituire una GPU. Potrebbe dimostrare un front end ottico stabile che si integra in un flusso di lavoro di machine learning esistente.

Occorre osservare il funzionamento al di fuori di un laboratorio controllato, in particolare in presenza di variazioni di temperatura o vibrazioni. L’accuratezza nel lungo periodo e la frequenza di calibrazione riveleranno se l’auto-ottimizzazione risolve la deriva pratica.

Il terzo segnale è una convalida su carichi di lavoro più ampi. Gli studi attuali coprono vari benchmark di immagini e dati strutturati, una prova utile della versatilità.

I test successivi dovrebbero includere dati di sensori in streaming, input più grandi, misurazioni della latenza e confronti con moderni estrattori digitali di caratteristiche. Anche le sperimentazioni mediche o industriali richiederebbero dati rappresentativi e una valutazione indipendente.

Un esperimento edge distribuito rafforzerebbe l’argomentazione più di un altro record di accuratezza isolato. Mostrerebbe come il processore ottico interagisce con memoria, comunicazioni, limiti di potenza e condizioni di input variabili.

Il percorso più probabile è ibrido anziché interamente ottico. La luce gestirà trasformazioni selezionate che corrispondono alla sua fisica, mentre l’elettronica manterrà memoria, orchestrazione e decisioni general-purpose.

Questa divisione può comunque essere importante. Eliminare una fase costosa da milioni di operazioni ripetute può ridurre calore ed energia, anche quando il resto del sistema resta elettronico.

Cambia inoltre il modo in cui gli sviluppatori dovrebbero valutare l’hardware AI emergente. Il throughput ottico di picco dice poco senza costi di integrazione, accuratezza numerica, utilizzo e supporto software.

Gli acquirenti enterprise dovrebbero chiedersi se un dispositivo accelera il loro carico di lavoro reale, non se la luce sia teoricamente più veloce degli elettroni. Dovrebbero inoltre richiedere misurazioni alla presa elettrica.

Sviluppatori e ricercatori affrontano un problema di documentazione man mano che questo settore si espande. I risultati spesso sono distribuiti tra preprint, articoli scientifici, note hardware, dettagli sui benchmark e correzioni successive.

Una base di conoscenza ricercabile può aiutare i team di ingegneria a preservare questi dettagli e confrontare le affermazioni entro confini di valutazione coerenti.

La ricerca sull’AI fotonica della Koç University merita attenzione perché trasferisce utili trasformazioni di immagini nell’hardware fisico preservando il colore e introducendo elaborazione non lineare.

Il suo risultato più solido non è un’affermazione definitiva sul calcolo sostenibile. È un percorso sperimentale più chiaro per scoprire dove l’hardware ottico si guadagni davvero un posto accanto all’elettronica.

Le prove decisive arriveranno da misurazioni dell’intero sistema, prototipi integrati e carichi di lavoro reali. Fino ad allora, la domanda giusta è precisa: quale fase di elaborazione risparmia abbastanza energia, se trasferita nella luce, da giustificare tutto ciò che la circonda?