Uno studio estende le reti neurali ottiche al dominio temporale

Uno studio riportato da ScienMag descrive un’architettura di rete neurale che esegue i propri calcoli interamente con la luce, gestendo al contempo informazioni che cambiano nel tempo. Pubblicato su Light: Science & Applications, il lavoro estende il calcolo ottico diffrattivo oltre gli schemi statici e bidimensionali utilizzati da molti sistemi precedenti.

Il framework dei ricercatori controlla un campo luminoso in due modi simultaneamente: modellandone la distribuzione nello spazio e dirigendo il modo in cui quel campo evolve nel tempo. In questo modo, mira a consentire alle reti ottiche di elaborare forme d’onda e sequenze senza inviare i dati a un processore elettronico tra uno stadio e l’altro.

Dagli schemi spaziali ai segnali variabili

Le reti neurali diffrattive utilizzano una serie di sottili strati ottici. Le loro proprietà di trasmissione o riflessione vengono selezionate durante un processo di addestramento basato sul computer. Una volta che la luce entra nella struttura addestrata, si propaga da uno strato all’altro. La diffrazione e l’interferenza risultanti eseguono operazioni analoghe alle connessioni pesate di una rete neurale artificiale.

Questa configurazione consente di eseguire il calcolo in avanti della rete mentre la luce attraversa gli strati. A differenza dei sistemi elettronici convenzionali, il dispositivo ottico non deve eseguire una moltiplicazione digitale separata a ogni connessione. Le versioni precedenti, tuttavia, operavano generalmente su una singola immagine o su un altro schema spaziale fisso. Potevano trasformare o classificare informazioni disposte su una superficie, ma non tenevano naturalmente conto di come un segnale si sviluppa nel tempo.

Questa limitazione è importante perché molti input utili non sono immagini statiche. I dati delle comunicazioni possono arrivare sotto forma di forme d’onda ottiche variabili, mentre anche i segnali biologici e le scene in movimento contengono informazioni nel loro comportamento temporale. Una parola pronunciata, per esempio, dipende da una sequenza di cambiamenti e non da un’unica istantanea isolata.

Il nuovo design tratta il campo ottico come variabile sia in funzione della posizione sia del tempo. I suoi strati sono quindi più che semplici maschere spaziali: sono concepiti per modificare la relazione tra diverse parti di un campo variabile nel tempo mentre tali componenti si propagano e interferiscono. Lo schema luminoso finale può quindi rappresentare una risposta, come un risultato di classificazione o una forma d’onda trasformata.

La luce come mezzo di calcolo

La rete viene addestrata numericamente. I modelli di propagazione delle onde vengono combinati con metodi di apprendimento automatico e le proprietà degli strati vengono modificate ripetutamente per ridurre la differenza tra l’output del sistema e il risultato desiderato. Dopo l’addestramento, questi parametri vengono assegnati a elementi ottici fisici.

Durante il funzionamento, il framework è progettato per eseguire l’inferenza passivamente. Ciò lo distingue dai sistemi ibridi, nei quali l’ottica esegue solo una parte del calcolo prima che subentrino i dispositivi elettronici. Nel percorso interamente ottico proposto, sono la propagazione, la diffrazione e l’interferenza della luce a fornire il calcolo vero e proprio.

L’aggiunta della dimensione temporale potrebbe consentire al sistema di combinare informazioni all’interno di una finestra, invece di trattare ogni istante in modo indipendente. Secondo quanto riferito da ScienMag, una rete di questo tipo potrebbe potenzialmente eseguire filtraggio temporale, correlazione e riconoscimento di sequenze attraverso il comportamento della luce mentre si muove nella struttura. Ciò apre la possibilità di analizzare dati in streaming all’inizio di un sistema di rilevamento o di comunicazione, prima che il segnale venga convertito in un formato elettronico.

L’approccio sfrutta inoltre diverse proprietà della luce in grado di trasportare informazioni, tra cui struttura spaziale, lunghezza d’onda, polarizzazione e profilo temporale. Lo studio si concentra sul controllo congiunto di spazio e tempo, un campo della ricerca ottica che ha consentito di realizzare impulsi ingegnerizzati e altri schemi luminosi il cui comportamento viene deliberatamente modellato durante la propagazione.

Potenziali vantaggi e ostacoli ancora da superare

Il consumo energetico è una delle ragioni principali dell’interesse per le reti neurali ottiche. L’hardware elettronico per l’IA può spendere una quantità considerevole di energia per spostare dati tra memoria e unità di elaborazione, oltre a eseguire le operazioni matematiche necessarie per l’inferenza. Una rete ottica diffrattiva esegue le proprie trasformazioni attraverso il movimento e l’interferenza della luce, quindi il costo operativo è principalmente associato alla produzione e al rilevamento della luce, anziché a un calcolo elettronico a ogni connessione.

L’estensione temporale potrebbe rendere questo vantaggio rilevante per una gamma più ampia di attività, in particolare nelle comunicazioni ottiche, dove le informazioni viaggiano già sotto forma di luce modulata. Evitare conversioni ripetute tra formati ottici ed elettronici potrebbe inoltre favorire un’elaborazione molto rapida. Per i dispositivi compatti, il tempo necessario alla luce per attraversare la rete potrebbe essere misurato in picosecondi, sebbene le prestazioni pratiche di un sistema completo dipenderebbero dai suoi componenti e dai suoi rivelatori.

Il lavoro viene presentato come un framework di progettazione e una base per future implementazioni, piuttosto che come un prodotto finito. Costruire strati fisici in grado di imporre con precisione i cambiamenti richiesti a una luce che varia rapidamente sarà difficile. L’allineamento, la precisione di fabbricazione e la larghezza di banda dei rivelatori potrebbero tutti influire sulla capacità di un dispositivo di funzionare come previsto dal suo modello addestrato.

ScienMag riferisce che lo studio stabilisce principi e una metodologia per le reti neurali diffrattive spaziotemporali. Sarà necessario ulteriore lavoro per trasformare questi principi in sistemi operanti in diverse gamme di frequenza ottica e su diverse piattaforme hardware, ma il framework amplia il possibile ruolo dell’ottica passiva nell’elaborazione delle informazioni dinamiche.