.
“O que temos aqui é algo incrivelmente simples”, disse Tian Wei Wu, autor principal do estudo. “Podemos reprogramá-lo, alterando os padrões do laser instantaneamente.” Os pesquisadores usaram o sistema para projetar uma rede neural que discriminou com sucesso os sons das vogais. A maioria dos sistemas fotônicos precisa ser treinada antes de serem construídas, uma vez que o treinamento envolve necessariamente a reconfiguração das conexões. Mas como esse sistema é facilmente reconfigurado, os pesquisadores treinaram o modelo depois de instalado no semicondutor. Eles agora planejam aumentar o tamanho do chip e codificar mais informações em diferentes cores de luz, o que deve aumentar a quantidade de dados que ele pode manipular.
É um progresso que até Psaltis, que construiu o sistema de reconhecimento facial nos anos 90, considera impressionante. “Nossos sonhos mais loucos de 40 anos atrás eram muito modestos em comparação com o que realmente aconteceu.”
Primeiros Raios de Luz
Embora a computação óptica tenha avançado rapidamente nos últimos anos, ainda está longe de substituir os chips eletrônicos que executam redes neurais fora dos laboratórios. Os artigos anunciam sistemas fotônicos que funcionam melhor que os eletrônicos, mas geralmente executam modelos pequenos usando designs de rede antigos e pequenas cargas de trabalho. E muitos dos números relatados sobre a supremacia fotónica não contam toda a história, disse Bhavin Shastri, da Queen’s University, em Ontário. “É muito difícil fazer uma comparação exata com a eletrônica”, disse ele. “Por exemplo, quando usam lasers, eles realmente não falam sobre a energia para alimentar os lasers.”
Os sistemas de laboratório precisam ser ampliados antes que possam mostrar vantagens competitivas. “Quão grande você precisa chegar para conseguir uma vitória?” McMahon perguntou. A resposta: excepcionalmente grande. É por isso que ninguém se compara a um chip fabricado pela Nvidia, cujos chips alimentam muitos dos sistemas de IA mais avançados da atualidade. Há uma lista enorme de quebra-cabeças de engenharia a serem resolvidos ao longo do caminho – questões que o lado da eletrônica resolveu ao longo de décadas. “A eletrônica está começando com uma grande vantagem”, disse McMahon.
Alguns pesquisadores acreditam que os sistemas de IA baseados em ONN terão sucesso primeiro em aplicações especializadas, onde oferecem vantagens únicas. Shastri disse que um uso promissor é neutralizar a interferência entre diferentes transmissões sem fio, como torres de celular 5G e altímetros de radar que ajudam os aviões a navegar. No início deste ano, Shastri e vários colegas criou um ONN que pode classificar diferentes transmissões e selecionar um sinal de interesse em tempo real e com um atraso de processamento inferior a 15 picossegundos (15 trilionésimos de segundo) – menos de um milésimo do tempo que um sistema eletrônico levaria, usando menos de 1/70 da potência.
Mas McMahon disse que a grande visão – uma rede neural óptica que pode superar os sistemas eletrônicos para uso geral – continua valendo a pena ser perseguida. No ano passado, seu grupo fiz simulações mostrando que, dentro de uma década, um sistema óptico suficientemente grande poderia tornar alguns modelos de IA mais de 1.000 vezes mais eficientes que os futuros sistemas eletrônicos. “Muitas empresas estão agora se esforçando para obter um benefício de 1,5 vezes. Um benefício mil vezes maior, isso seria incrível”, disse ele. “Este é talvez um projeto de 10 anos – se for bem-sucedido.”
História original reimpresso com permissão de Revista Quanta, uma publicação editorialmente independente do Fundação Simons cuja missão é melhorar a compreensão pública da ciência, cobrindo desenvolvimentos e tendências de pesquisa em matemática e ciências físicas e biológicas.
.
