Las nuevas redes neuronales ópticas prometen computación ultrarrápida para tareas complejas

Los sistemas de redes neuronales ópticas, que son rápidos y energéticamente eficientes, son particularmente útiles para manejar grandes cantidades de datos. Para desarrollar tecnologías de computación óptica similares al cerebro, un grupo de investigadores de la Universidad de Strathclyde ha combinado una red neuronal basada en picos con un láser semiconductor que exhibe comportamientos neuronales de picos.

Recientemente, introdujeron un proceso de red neuronal fotónica de alto rendimiento con menores requisitos de entrenamiento e introdujeron un nuevo esquema de entrenamiento para obtener mejores resultados. Esta investigación fue publicada en Computación inteligente.

Inspiradas en redes de neuronas biológicas, las redes neuronales han revolucionado la inteligencia artificial al proporcionar soluciones eficientes a tareas complejas. Para liberar aún más su potencial, los investigadores han incorporado otras técnicas a las redes neuronales artificiales con cierto éxito.

Un ejemplo exitoso de los beneficios del uso de la luz es que los sistemas ópticos o de redes neuronales ópticas funcionan más rápidamente y con mejor eficiencia energética, lo que los hace particularmente útiles para manejar grandes cantidades de datos y prometedores para futuras aplicaciones de IA.

La red neuronal de picos propuesta por los autores se basa en un sistema óptico compatible con hardware, que consiste en un solo láser que se emite desde la superficie de una cavidad vertical, un dispositivo comúnmente disponible en los teléfonos móviles. Esta propuesta representa una mejora con respecto a un estudio anterior de los mismos autores, en el que combinaron computación en espera, un poderoso método para construir redes neuronales ópticas y procesar tareas complejas, con una neurona de punta construida usando un láser del mismo tipo.

En el artículo actual, los autores lograron una tarea de clasificación más desafiante y aplicaron un esquema de entrenamiento alternativo para mejorar la velocidad y la eficiencia del entrenamiento y al mismo tiempo reducir los requisitos de entrenamiento.

La tarea de clasificación que abordaron es un problema muy complejo, multivariado y no lineal que involucra 500 características por punto de datos y se basa en el conjunto de datos sintéticos MADELON. Para crear la red neuronal de picos, los investigadores utilizaron una configuración experimental que combina dinámica láser no lineal con una arquitectura inspirada en la computación en espera.

En esta arquitectura, los datos de entrada se multiplexan en el tiempo, es decir, se dividen en diferentes períodos de tiempo. Cada intervalo de tiempo representa una neurona virtual en la red neuronal. Los datos de entrada se inyectan y procesan mediante un láser, y la salida se interpreta como una salida de nodo binario, ya sea con o sin picos, dependiendo de si los datos de entrada exceden un cierto umbral.

Los autores demostraron con éxito el poder computacional de una red neuronal óptica de picos utilizando tanto un método de entrenamiento de regresión de mínimos cuadrados tradicional como un método de entrenamiento de «importancia» recientemente propuesto. Este último asigna pesos binarios a los nodos en función de su utilidad e importancia generales.

Ambos métodos lograron una excelente precisión de clasificación de más del 94 %, superando el rendimiento de referencia en una fracción del tiempo de procesamiento. La precisión lograda con el nuevo método fue del 94,4% y 95,7%, superior a la alcanzada con el método tradicional. La red neuronal de picos, entrenada con el nuevo método, logró un rendimiento sobresaliente en pequeños conjuntos de entrenamiento con menos de 10 puntos de datos.

En conclusión, la red neuronal óptica propuesta supera a los sistemas de procesamiento de semiconductores digitales convencionales con su rendimiento ultrarrápido, bajo consumo de energía e implementación amigable con el hardware que utiliza solo un láser para procesar todos los nodos virtuales. Los autores creen que este estudio podría crear nuevas posibilidades para los sistemas de procesamiento basados ​​en fotónica que se ejecutan completamente en dispositivos ópticos, permitiéndoles procesar tareas altamente complejas con alta precisión, alta velocidad y operación energéticamente eficiente.