Pronóstico a largo plazo con difracción óptica pasiva supera a modelos digitales en varios benchmarks

HAMON propone una arquitectura de pronóstico que traslada la operación de mezcla de series a la física óptica. El proceso codifica los valores históricos en una apertura óptica; los intervalos futuros permanecen oscuros. Varias máscaras de fase entrenables, intercaladas con propagación libre, difractan la luz y generan el campo óptico que contiene la predicción. En la fase de inferencia la única operación es la propagación pasiva, sin capas digitales de mezcla temporal.

El entrenamiento se realiza en simulación digital de óptica mediante retropropagación a través del modelo de ondas. Los únicos parámetros entrenables son los perfiles de fase de las máscaras; la normalización reversible (RevIN) y la calibración de lectura son digitales pero no realizan mezclas temporales. Dos variantes de interfaz se presentan: codificación por amplitud con lectura coherente del campo y codificación por fase con detección de intensidad diferencial. Ambas mantienen la misma arquitectura óptica de 16 capas, aunque la variante de intensidad elimina la necesidad de detectar fase directamente.

En pruebas estándar de pronóstico a largo plazo (horizontes de 96, 192, 336 y 720 pasos) HAMON mejora el error cuadrático medio (MSE) respecto al mejor modelo digital en los conjuntos ETTm2 y ETTh2, con incrementos de 9 % a 14 % según el horizonte. En ETTm2 el MSE pasa de 0.1895 a 0.1484 (mejora del 14 %). En ETTh2 se logra una reducción del 14 % en el horizonte de 96 pasos y mejoras menores en los demás. En los conjuntos Weather, Electricity y Traffic el modelo es competitivo, aunque le queda camino por recorrer frente a los mejores forecasters digitales.

Los experimentos de ablación confirman que la mejora proviene de la óptica pasiva y no de una capa digital oculta. Cuando se sustituye la lectura coherente por la de intensidad diferencial, el rendimiento se mantiene o mejora en varios datasets, demostrando que la predicción depende del campo óptico generado. Alterar la fase de entrada (cero, barajar o invertir signos) deteriora significativamente el MSE, lo que indica que la información temporal está codificada en la fase del campo. Además, aumentar la profundidad óptica a 24 capas produce cambios marginales, lo que sugiere que la mayor parte del beneficio se alcanza con 16 capas.

Una prueba de consistencia con el simulador TorchOptics, que modela propagación bidimensional, muestra una correlación de 0.96 en la zona de pronóstico, validando que los resultados no son artefactos de un único motor numérico.

Para los ejecutivos, el hallazgo implica que una parte importante del cómputo de pronóstico puede trasladarse a hardware óptico pasivo, reduciendo la carga de multiplicaciones y acumulaciones en silicon. La infraestructura requerida incluye moduladores de fase o SLMs para aplicar las máscaras, un espacio de propagación controlado y detectores de intensidad compatibles con la variante de lectura. Los costos de entrenamiento siguen siendo digitales, pero la inferencia potencialmente se ejecuta con consumo energético cercano a cero y latencias limitadas por la velocidad de la luz. La adopción exige evaluar la precisión de la fabricación de máscaras, la estabilidad de la alineación óptica y la calibración de los detectores, ya que cualquier desviación afecta directamente la calidad de la predicción.

En resumen, HAMON demuestra que los modelos lineales de pronóstico pueden implementarse como procesos ópticos pasivos sin perder precisión y, en algunos casos, superando a los mejores enfoques digitales. La propuesta abre una vía para diseñar aceleradores de series temporales basados en difracción, donde la arquitectura del modelo se traduce directamente en componentes físicos.