Las redes neuronales convolucionales ópticas presagian una nueva era en las imágenes de IA

Las redes neuronales convolucionales (CNN), con sus excepcionales capacidades de reconocimiento de imágenes, han logrado un rendimiento sobresaliente en el campo de la inteligencia artificial, particularmente en plataformas como ChatGPT. Recientemente, un equipo de investigadores chinos de la Universidad de Ciencia y Tecnología de Shanghai introdujo con éxito el concepto de CNN en el campo de la óptica y creó una red neuronal convolucional óptica, lo que condujo a un avance revolucionario en la tecnología de imágenes de IA.

Dirigido por el profesor Min Guo y el profesor Zhiming Zhang de la Escuela de Ciencia y Tecnología de Inteligencia Artificial (SAIST) de la Universidad de Ciencia y Tecnología de Shanghai (USST), el equipo de investigación ha desarrollado una red neuronal óptica convolucional (ONN) ultrarrápida, logrando Imágenes eficientes y claras de objetos detrás de medios dispersos sin depender del efecto de memoria óptica.

Este fue un descubrimiento publicado en la revista Avance de la cienciaEn un artículo titulado «Imágenes dispersas sin memoria utilizando redes neuronales convolucionales ópticas ultrarrápidas».

El Dr. Yuchao Zhang, investigador de SAIST, es el primer autor. El profesor Min Guo y el profesor Zhiming Zhang son autores correspondientes.

El núcleo de las CNN, las operaciones convolucionales, extrae características locales de las imágenes y construye representaciones de características más complejas y abstractas capa por capa, lo que conduce a importantes avances en los campos del procesamiento de imágenes y el reconocimiento de patrones. Sin embargo, aplicar el concepto de operaciones de redes convolucionales al campo de la óptica enfrenta el desafío de convertir señales electrónicas en señales ópticas.

El equipo de investigación diseñó ingeniosamente una solución totalmente óptica y realizó operaciones de red convolucionales directamente en el dominio óptico, eliminando el engorroso proceso de conversión de señales y logrando verdaderas velocidades de computación óptica.

La clave de esta investigación es la construcción de una ONN convolucional de múltiples etapas, que consta de múltiples núcleos paralelos capaces de funcionar a la velocidad de la luz, extrayendo características directamente de la luz dispersa para una rápida reconstrucción de imágenes.

Este proceso no sólo mejora enormemente la velocidad de disparo, sino que también mejora enormemente la calidad de la imagen, haciendo posible disparar en entornos de dispersión complejos. Además, la velocidad computacional del ONN convolucional alcanza 1,57 peta operaciones por segundo (POPS), lo que proporciona un potente soporte para imágenes dinámicas en tiempo real.

Una de las características más destacadas de esta investigación es su capacidad para realizar múltiples tareas. Simplemente ajustando la estructura de la red, la propia ONN convolucional puede realizar una variedad de diferentes tareas de procesamiento de imágenes, como clasificación y reconstrucción, simultáneamente, lo cual es una novedad en el campo de la IA visual.

«Esta combinación de flexibilidad y eficiencia no sólo subraya la importancia de las redes convolucionales en la inteligencia artificial, sino que también abre nuevos horizontes para la tecnología de imágenes ópticas», señaló el profesor Keming Zhang.

El surgimiento de esta investigación no solo representa una implantación exitosa de redes neuronales convolucionales en el campo visual, sino que también representa un gran impulso para la tecnología de imágenes de IA.

«En un futuro próximo, las redes neuronales ópticas convolucionales desempeñarán un papel cada vez más vital en la conducción autónoma, la visión artificial y las imágenes médicas», afirmó el profesor Min Guo.

Proporcionado por la Universidad de Ciencia y Tecnología de Shanghai