Rede neural de luz supera modelos digitais de IA

Informática

Redação do Site Inovação Tecnológica - 24/07/2025

Redes neurais multissinapses fotônicas para computação de IA.[Imagem: Ting Mei/NPU]

Redes neurais fotônicas

As redes neurais fotônicas, sistemas que usam luz em vez de eletricidade para processar informações, prometem velocidades mais rápidas e menor consumo de energia do que a eletrônica tradicional.

Esses sistemas vêm apresentando progressos contínuos ao longo dos últimos anos, com a meta agora sendo igualar a precisão das redes neurais digitais.

Para isso, é necessário dar um salto evolutivo: A maioria dos sistemas fotônicos demonstrados até agora ainda imita a estrutura e os métodos de treinamento dos modelos digitais de inteligência artificial, introduzindo erros na tradução do software para o hardware.

E esse salto acaba de ser dado por Zhuonan Jia e colegas de duas universidades chinesas, que desenvolveram um novo tipo de rede neural fotônica que se liberta dessa imitação digital.

O projeto utiliza transformações físicas da luz para processar informações diretamente, sem depender de modelos matemáticos. Essa abordagem não apenas melhora a precisão, que era o grande objetivo, mas também marca uma nova direção para a construção de hardwares de IA mais inteligentes e mais rápidos.

À medida que a IA continua a migrar do software para dispositivos físicos - como sensores inteligentes, veículos autônomos e tecnologia vestível - esse tipo de inovação pode desempenhar um papel fundamental em tornar esses sistemas mais rápidos, mais eficientes e com menor consumo de baterias.

Esquema da rede neural multissinapse fotônica baseada em transformações físicas.[Imagem: Zhuonan Jia et al. - 10.1117/1.APN.4.4.046010]

Hardware de IA baseado em luz

As redes neurais fotônicas têm sido treinadas digitalmente - em um computador - antes de serem transferidas para os dispositivos físicos onde deverão rodar. Esse processo introduz erros em várias etapas, que limitam a precisão do sistema final: Durante a modelagem matemática, o arredondamento de parâmetros, a fabricação do hardware e a montagem do sistema.

A solução para isso veio na forma de uma "rede neural multissinapse fotônica" que processa informações usando a luz de uma forma mais direta e física. Em vez de depender de cálculos digitais, o sistema utiliza múltiplos caminhos ópticos para conectar camadas de entrada e camadas ocultas. Esses caminhos são criados usando moduladores espaciais de luz e câmeras, que manipulam e capturam padrões de luz em tempo real.

A rede é baseada em uma estrutura chamada aprendizagem de máquina extrema (ELM: Extreme Learning Machine). Nessa configuração, as imagens de entrada são duplicadas e enviadas por vários caminhos ópticos. Esses caminhos funcionam como sinapses no cérebro, conectando neurônios de entrada a neurônios ocultos. Os padrões de luz são então capturados por uma câmera, convertidos em sinais elétricos e processados para tomar uma decisão de classificação.

Os neurônios das camadas ocultas são gerados aleatoriamente por meio de transformações físicas da luz, não por equações. Isso evita os erros que surgem ao tentar simular processos físicos com matemática digital.

Os princípios do projeto multissinapse podem ser aplicados a outros tipos de redes neurais físicas, não apenas àquelas baseadas em luz.[Imagem: Zhuonan Jia et al. - 10.1117/1.APN.4.4.046010]

Melhora com a complexidade

A equipe testou seu sistema em três conjuntos de dados de classificação de imagens bem conhecidos: MNIST (dígitos manuscritos), Fashion-MNIST (itens de vestuário) e CIFAR-10 (imagens coloridas de objetos). Os resultados não apenas superaram o desempenho de redes neurais digitais equivalentes, como também superaram a maioria dos sistemas baseados em hardware existentes. A vantagem tornou-se ainda mais perceptível à medida que as tarefas se tornavam mais complexas, como com o conjunto de dados CIFAR-10.

Isto comprova que as redes neurais fotônicas não precisam seguir as mesmas regras que as digitais. Ao usar as propriedades físicas da luz diretamente - em vez de tentar simulá-las - torna-se possível construir sistemas mais rápidos sem perder a precisão.

A demonstração também destaca a importância das conexões multissinápticas. Esses múltiplos caminhos ópticos melhoram a capacidade do sistema de extrair características dos dados de entrada, oferecendo uma nova maneira de otimizar redes neurais, além de simplesmente adicionar mais camadas ou ajustar funções de ativação.

E o sucesso desta arquitetura de multissinapse fotônica abre novas possibilidades para hardwares de IA em geral. Isto porque os princípios de projeto podem ser aplicados a outros tipos de redes neurais físicas, não apenas àquelas baseadas em luz. Ou seja, a estratégia multissinapse pode se tornar uma ferramenta padrão para melhorar o desempenho em futuros sistemas de hardware.

Outras notícias sobre:

Mais tópicos