Los modelos de redes neuronales profundas que impulsan las aplicaciones más exigentes de aprendizaje automático han crecido tanto en tamaño como en complejidad, llevando al límite el hardware de computación electrónica tradicional. En este contexto, el hardware fotónico, que utiliza la luz para realizar cálculos de aprendizaje automático, se presenta como una alternativa más rápida y eficiente en términos energéticos. Sin embargo, existen ciertos tipos de cálculos de redes neuronales que no pueden ser ejecutados por un dispositivo fotónico, lo que obliga a recurrir a electrónica externa u otras técnicas que afectan la velocidad y eficiencia.
Un equipo de científicos del MIT y otras instituciones ha desarrollado un nuevo chip fotónico que supera estas limitaciones. Este procesador fotónico totalmente integrado es capaz de llevar a cabo todos los cálculos clave de una red neuronal profunda ópticamente dentro del chip.
Rendimiento excepcional
El dispositivo óptico logró completar los cálculos esenciales para una tarea de clasificación en aprendizaje automático en menos de medio nanosegundo, alcanzando más del 92% de precisión, un rendimiento comparable al del hardware tradicional. El chip está compuesto por módulos interconectados que forman una red neuronal óptica y se fabrica utilizando procesos de fundición comercial, lo que podría facilitar la escalabilidad de la tecnología e integrarla en sistemas electrónicos.
A largo plazo, este procesador fotónico podría permitir un aprendizaje profundo más rápido y eficiente energéticamente para aplicaciones computacionales exigentes como lidar, investigaciones científicas en astronomía y física de partículas, o telecomunicaciones de alta velocidad.
Un sistema integral
“Hay muchos casos donde no solo importa cómo se desempeña el modelo, sino también cuán rápido puedes obtener una respuesta. Ahora que tenemos un sistema completo que puede ejecutar una red neuronal en óptica a escala temporal nanosegundos, podemos comenzar a pensar a un nivel superior sobre aplicaciones y algoritmos”, afirma Saumil Bandyopadhyay, autor principal del estudio y científico visitante en el grupo de Fotónica Cuántica e IA dentro del Laboratorio de Electrónica (RLE).
Bandyopadhyay está acompañado en el trabajo por varios coautores con experiencia en el campo. La investigación fue publicada recientemente en Nature Photonics.
Aprendizaje automático con luz
Las redes neuronales profundas están compuestas por múltiples capas interconectadas de nodos o neuronas que operan sobre datos de entrada para producir una salida. Una operación clave implica el uso del álgebra lineal para realizar multiplicaciones matriciales, transformando datos a medida que se transmiten entre capas.
No obstante, además de estas operaciones lineales, las redes neuronales profundas realizan operaciones no lineales que permiten al modelo aprender patrones más complejos. Estas funciones no lineales son fundamentales para resolver problemas intrincados.
Superando desafíos tecnológicos
En 2017, el grupo liderado por Englund demostró una red neuronal óptica capaz de realizar multiplicaciones matriciales utilizando luz. Sin embargo, esa primera versión no podía ejecutar operaciones no lineales directamente en el chip; era necesario convertir los datos ópticos en señales eléctricas para enviarlos a un procesador digital.
El equipo superó este desafío diseñando unidades funcionales ópticas no lineales (NOFUs), que combinan electrónica y óptica para implementar operaciones no lineales directamente en el chip.
El sistema desarrollado codifica los parámetros de la red neuronal profunda en luz. Luego, un conjunto de divisores programables realiza las multiplicaciones matriciales necesarias antes de pasar los datos a los NOFUs programables para implementar funciones no lineales mediante la conversión mínima necesaria a corriente eléctrica.
Eficiencia energética y precisión
Este enfoque permite mantener todo el proceso dentro del dominio óptico hasta el final, logrando así una latencia ultra baja. Durante las pruebas iniciales, el sistema alcanzó más del 96% de precisión durante las pruebas de entrenamiento y más del 92% durante la inferencia.
Bandyopadhyay destaca la importancia del bajo consumo energético: “Esto es especialmente útil para sistemas donde se procesan señales ópticas in situ, como navegación o telecomunicaciones”. Además, se prevé integrar esta tecnología con sistemas electrónicos reales como cámaras o plataformas telemáticas.
La investigación ha recibido financiamiento parcial por parte de la Fundación Nacional de Ciencias de EE.UU., la Oficina de Investigación Científica de la Fuerza Aérea estadounidense y NTT Research
Si (
No(
