Rede neural aprende usando apenas luz, sem nenhum componente eletrônico

Redação do Site Inovação Tecnológica

Este "hardware" surpreendente, sem nenhum componente eletrônico, aprendeu a identificar imagens com precisão. [Imagem: Ozcan Lab/UCLA]

Rede neural de luz

No ano passado, uma equipe do MIT apresentou um chip que usa luz em vez de eletricidade para fazer os cálculos usados por sistemas de inteligência artificial conhecidos como "aprendizagem profunda", um tipo de rede neural artificial que imita a forma como o cérebro aprende acumulando exemplos.

Agora, Xing Lin e Aydogan Ozcan, da Universidade da Califórnia em Los Angeles, criaram um sistema de processamento fotônico ainda mais simples: os cálculos com luz são feitos usando folhas fabricadas por uma impressora 3D, sem nenhum componente eletrônico.

E não se deixe enganar pela simplicidade: A rede de aprendizagem profunda óptica permite que os algoritmos computacionais sejam executados à velocidade da luz.

A vantagem é que esta é uma maneira mais barata, escalável e eficiente de criar sistemas de inteligência artificial, que estão acelerando as fronteiras da ciência, por exemplo, na análise de imagens médicas, tradução de idiomas, classificação de imagens e muito mais.

Neurônios artificiais de luz

O processador é formado por uma série de superfícies opticamente difrativas, impressas em 3-D e superpostas em camadas, que trabalham em conjunto para processar as informações.

Batizada de Rede Neural Profunda Difrativa (D2NN: Diffractive Deep Neural Network), o sistema funciona conforme cada ponto em uma determinada camada transmite ou reflete uma onda de luz que chega.

Desta forma, cada ponto funciona como um neurônio artificial, que é conectado a outros neurônios das camadas seguintes por difração óptica - a difração é o redirecionamento, ou espalhamento, da onda quando ela encontra um obstáculo.

Pode-se ajustar cada neurônio artificial - o modo como ele trata a informação - alterando-se a fase e a amplitude da onda de luz que o atinge.

Esquema de funcionamento da Rede Neural Profunda Difrativa. [Imagem: Ozcan Lab/UCLA]

Aprendizado profundo

Como demonstração, Li treinou o sistema expondo-o a 55.000 imagens de dígitos manuscritos - imagens do zero até o nove.

Após o treinamento, a D2NN conseguiu reconhecer esses números com 91,75% de precisão, e Li já vislumbra meios de aumentar ainda mais a precisão acrescentando camadas neurais adicionais.

A equipe também destaca que este sistema pode ser facilmente ampliado usando diferentes métodos de fabricação 3D, outros componentes ópticos e outros mecanismos de detecção e redirecionamento da luz.

Bibliografia:

All-optical machine learning using diffractive deep neural networks
Xing Lin, Yair Rivenson, Nezih T. Yardimci, Muhammed Veli, Yi Luo, Mona Jarrahi, Aydogan Ozcan
Science
DOI: 10.1126/science.aat8084