Rede neural de luz supera modelos digitais de IA

Informtica

Redação do Site Inovação Tecnológica – 24/07/2025

Redes neurais fotnicas

As redes neurais fotnicas, sistemas que usam luz em vez de eletricidade para processar informaes, prometem velocidades mais rpidas e menor consumo de energia do que a eletrnica tradicional.

Esses sistemas vm apresentando progressos contnuos ao longo dos ltimos anos, com a meta agora sendo igualar a preciso das redes neurais digitais.

Para isso, necessrio dar um salto evolutivo: A maioria dos sistemas fotnicos demonstrados at agora ainda imita a estrutura e os mtodos de treinamento dos modelos digitais de inteligncia artificial, introduzindo erros na traduo 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 fotnica que se liberta dessa imitao digital.

O projeto utiliza transformaes fsicas da luz para processar informaes diretamente, sem depender de modelos matemticos. Essa abordagem no apenas melhora a preciso, que era o grande objetivo, mas tambm marca uma nova direo para a construo de hardwares de IA mais inteligentes e mais rpidos.

medida que a IA continua a migrar do software para dispositivos fsicos – como sensores inteligentes, veculos autnomos e tecnologia vestvel – esse tipo de inovao pode desempenhar um papel fundamental em tornar esses sistemas mais rpidos, mais eficientes e com menor consumo de baterias.

Hardware de IA baseado em luz

As redes neurais fotnicas tm sido treinadas digitalmente – em um computador – antes de serem transferidas para os dispositivos fsicos onde devero rodar. Esse processo introduz erros em vrias etapas, que limitam a preciso do sistema final: Durante a modelagem matemtica, o arredondamento de parmetros, a fabricao do hardware e a montagem do sistema.

A soluo para isso veio na forma de uma “rede neural multissinapse fotnica” que processa informaes usando a luz de uma forma mais direta e fsica. Em vez de depender de clculos digitais, o sistema utiliza mltiplos caminhos pticos para conectar camadas de entrada e camadas ocultas. Esses caminhos so criados usando moduladores espaciais de luz e cmeras, que manipulam e capturam padres de luz em tempo real.

A rede baseada em uma estrutura chamada aprendizagem de mquina extrema (ELM: Extreme Learning Machine). Nessa configurao, as imagens de entrada so duplicadas e enviadas por vrios caminhos pticos. Esses caminhos funcionam como sinapses no crebro, conectando neurnios de entrada a neurnios ocultos. Os padres de luz so ento capturados por uma cmera, convertidos em sinais eltricos e processados para tomar uma deciso de classificao.

Os neurnios das camadas ocultas so gerados aleatoriamente por meio de transformaes fsicas da luz, no por equaes. Isso evita os erros que surgem ao tentar simular processos fsicos com matemtica digital.

Melhora com a complexidade

A equipe testou seu sistema em trs conjuntos de dados de classificao de imagens bem conhecidos: MNIST (dgitos manuscritos), Fashion-MNIST (itens de vesturio) e CIFAR-10 (imagens coloridas de objetos). Os resultados no apenas superaram o desempenho de redes neurais digitais equivalentes, como tambm superaram a maioria dos sistemas baseados em hardware existentes. A vantagem tornou-se ainda mais perceptvel medida que as tarefas se tornavam mais complexas, como com o conjunto de dados CIFAR-10.

Isto comprova que as redes neurais fotnicas no precisam seguir as mesmas regras que as digitais. Ao usar as propriedades fsicas da luz diretamente – em vez de tentar simul-las – torna-se possvel construir sistemas mais rpidos sem perder a preciso.

A demonstrao tambm destaca a importncia das conexes multissinpticas. Esses mltiplos caminhos pticos melhoram a capacidade do sistema de extrair caractersticas dos dados de entrada, oferecendo uma nova maneira de otimizar redes neurais, alm de simplesmente adicionar mais camadas ou ajustar funes de ativao.

E o sucesso desta arquitetura de multissinapse fotnica abre novas possibilidades para hardwares de IA em geral. Isto porque os princpios de projeto podem ser aplicados a outros tipos de redes neurais fsicas, no apenas quelas baseadas em luz. Ou seja, a estratgia multissinapse pode se tornar uma ferramenta padro para melhorar o desempenho em futuros sistemas de hardware.

Outras notcias sobre:

Mais tópicos