Estudo amplia as redes neurais ópticas para o domínio temporal

Um estudo divulgado pela ScienMag descreve uma arquitetura de rede neural que realiza seus cálculos inteiramente com luz, enquanto processa informações que mudam ao longo do tempo. Publicado em Light: Science & Applications, o trabalho amplia a computação óptica difrativa para além dos padrões estáticos e bidimensionais usados por muitos sistemas anteriores.

A estrutura desenvolvida pelos pesquisadores controla um campo de luz de duas maneiras simultaneamente: moldando sua distribuição no espaço e direcionando a forma como esse campo evolui ao longo do tempo. Com isso, o objetivo é permitir que redes ópticas processem formas de onda e sequências sem enviar os dados a um processador eletrônico entre as etapas.

Dos padrões espaciais aos sinais variáveis

As redes neurais difrativas usam uma série de camadas ópticas finas. Suas propriedades de transmissão ou reflexão são selecionadas durante um processo de treinamento realizado por computador. Depois que a luz entra na estrutura treinada, ela se propaga de uma camada para a seguinte. A difração e a interferência resultantes realizam operações análogas às conexões ponderadas de uma rede neural artificial.

Essa configuração permite que o cálculo de propagação da rede ocorra à medida que a luz atravessa as camadas. Diferentemente dos sistemas eletrônicos convencionais, o dispositivo óptico não precisa executar uma multiplicação digital separada em cada conexão. As versões anteriores, porém, geralmente trabalhavam com uma única imagem ou outro padrão espacial fixo. Elas podiam transformar ou classificar informações organizadas sobre uma superfície, mas não levavam naturalmente em conta como um sinal se desenvolve ao longo do tempo.

Essa limitação é importante porque muitos dados úteis não são imagens estáticas. Os dados de comunicação podem chegar como formas de onda ópticas variáveis, enquanto sinais biológicos e cenas em movimento também contêm informações em seu comportamento temporal. Uma palavra falada, por exemplo, depende de uma sequência de mudanças, e não de um único instantâneo isolado.

O novo projeto trata o campo óptico como algo que varia tanto com a posição quanto com o tempo. Suas camadas, portanto, são mais do que máscaras espaciais: elas foram concebidas para alterar a relação entre diferentes partes de um campo variável no tempo à medida que esses componentes se propagam e interferem. O padrão luminoso final pode então representar uma resposta, como um resultado de classificação ou uma forma de onda transformada.

A luz como meio de computação

A rede é treinada numericamente. Modelos de propagação de ondas são combinados com métodos de aprendizado de máquina, e as propriedades das camadas são ajustadas repetidamente para reduzir a diferença entre a saída do sistema e o resultado desejado. Após o treinamento, esses parâmetros são atribuídos a elementos ópticos físicos.

Durante a operação, a estrutura foi projetada para realizar a inferência de forma passiva. Isso a diferencia dos sistemas híbridos nos quais a óptica executa apenas parte do cálculo antes que a eletrônica assuma o controle. No caminho totalmente óptico proposto, a propagação, a difração e a interferência da luz constituem a própria computação.

A inclusão do tempo poderia permitir que o sistema combinasse informações ao longo de uma janela, em vez de tratar cada instante de forma independente. Segundo o relato da ScienMag, uma rede desse tipo poderia realizar filtragem temporal, correlação e reconhecimento de sequências por meio do comportamento da luz à medida que ela atravessa a estrutura. Isso abre a possibilidade de analisar dados contínuos no início de um sistema de sensoriamento ou comunicação, antes que o sinal seja convertido para um formato eletrônico.

A abordagem também se baseia em várias propriedades da luz capazes de transportar informações, incluindo estrutura espacial, comprimento de onda, polarização e perfil temporal. O estudo se concentra no controle conjunto do espaço e do tempo, uma área da pesquisa óptica que permitiu criar pulsos projetados e outros padrões de luz cujo comportamento é moldado deliberadamente durante a propagação.

Possíveis benefícios e obstáculos ainda existentes

O consumo de energia é um dos principais motivos do interesse pelas redes neurais ópticas. O hardware eletrônico de IA pode consumir uma quantidade substancial de energia ao mover dados entre a memória e as unidades de processamento, além de realizar as operações matemáticas necessárias à inferência. Uma rede óptica difrativa executa suas transformações por meio do movimento e da interferência da luz, de modo que o custo operacional está associado principalmente à produção e à detecção da luz, e não a um cálculo eletrônico em cada conexão.

A extensão temporal poderia tornar essa vantagem relevante para uma gama mais ampla de tarefas, especialmente nas comunicações ópticas, nas quais as informações já trafegam como luz modulada. Evitar conversões repetidas entre formatos ópticos e eletrônicos também poderia viabilizar um processamento muito rápido. Em dispositivos compactos, o tempo necessário para a luz atravessar a rede pode ser medido em picossegundos, embora o desempenho prático de um sistema completo dependa de seus componentes e detectores.

O trabalho é apresentado como uma estrutura de projeto e uma base para implementações futuras, e não como um produto acabado. Construir camadas físicas que imponham com precisão as mudanças necessárias à luz que varia rapidamente será um desafio. O alinhamento, a precisão de fabricação e a largura de banda dos detectores podem afetar a capacidade de um dispositivo de funcionar conforme previsto por seu modelo treinado.

A ScienMag informa que o estudo estabelece princípios e uma metodologia para redes neurais difrativas espaço-temporais. Será necessário realizar mais pesquisas para transformar esses princípios em sistemas que operem em diferentes faixas de frequência óptica e plataformas de hardware, mas a estrutura amplia o possível papel da óptica passiva no processamento de informações dinâmicas.