Como a fotônica está revolucionando a inteligência artificial

Redação do Site Inovação Tecnológica - 11/08/2023

Arquitetura de um processador fotônico, que já está em funcionamento.
[Imagem: Mario Miscuglio]

Redes neurais convolucionais

De acordo com uma pesquisa realizada pela OpenAI, o período entre 2012 e 2018 testemunhou um aumento impressionante no número de cálculos computacionais, que foram multiplicados por um fator maior que 300.000. Em contraste, durante o mesmo período, a Lei de Moore experimentou um aumento de apenas sete vezes no poder computacional.

Para atender a essa necessidade crescente de poder de computação, os pesquisadores têm-se voltado para a fotônica, a computação com luz, como um meio de aprimorar os algoritmos de inteligência artificial, sobretudo as redes neurais convolucionais.

As redes neurais convolucionais são uma classe de redes neurais artificiais que revolucionaram vários campos, particularmente tarefas de visão computacional, como reconhecimento de imagem, detecção de objetos e segmentação de imagens. Elas são inspiradas no mecanismo de processamento visual do cérebro humano e são projetadas para aprender automaticamente representações hierárquicas a partir de dados de entrada.

Quando as redes neurais convolucionais são mais profundas e têm parâmetros mais treináveis, seu desempenho tende a melhorar, mas essa melhoria tem um custo: O consumo de energia e os requisitos de memória também aumentam significativamente. No campo do processamento de imagens, os estágios de convolução dessas redes neurais consomem cerca de 80% da energia total consumida.

• Aprendizado profundo da IA pode ser substituído por aprendizado superficial

Arquitetura LeNet-5. A rede compreende camadas totalmente conectadas. As camadas convolucionais extraem características da imagem de entrada usando kernels, enquanto as camadas de agrupamento reduzem o tamanho espacial dos mapas de características. As camadas totalmente conectadas classificam as características na saída desejada. Funções de ativação não lineares são usadas para introduzir não-linearidade na saída das camadas convolucionais.
[Imagem: Aris Tsirigotis et al. - 10.34133/icomputing.0032]

Como funciona a computação fotônica?

Depois de revolucionar a comunicação de dados, por meio das fibras ópticas e tecnologias associadas, a fotônica agora está permitindo tirar proveito das propriedades exclusivas da luz para processar informações.

Para isso surgiu um novo tipo de hardware, geralmente conhecido como processador fotônico, mas mais especificamente uma rede neural convolucional fotônica integrada, uma forma de acelerar os cálculos usando dispositivos ópticos especiais. O truque consiste em transformar a etapa de convolução em uma série de multiplicações de matrizes.

Nesse método, a imagem é dividida em pequenos fragmentos, e cada fragmento é transformado em uma linha de uma matriz. Os filtros, ou kernels, usados na convolução são representados como colunas em outra matriz, com cada coluna contendo os pesos de um kernel. O resultado convolucional é obtido realizando a multiplicação dessas duas matrizes.

A fotônica integrada consiste em realizar um processo semelhante, mas com luz. Os pedaços da imagem são convertidos em um sinal óptico e os pesos do kernel são armazenados em um chip especial. O sinal óptico é enviado para dentro do chip e, dentro do chip, ele passa por um processo que realiza a multiplicação da matriz usando a luz.

Esse tipo de chip é projetado especificamente para esses cálculos e é como um minicomputador para a luz - eles são conhecidos como circuitos integrados fotônicos, ou PIC na sigla em inglês (Photonic Integrated Circuits). Existem diferentes tipos desses chips, mas todos usam luz para fazer os cálculos. Alguns circuitos integrados fotônicos são reprogramáveis, o que significa que eles podem ser alterados para realizar cálculos diferentes, enquanto outros são fixos e projetados para tarefas específicas.

• Processador fotônico faz inteligência artificial na velocidade da luz

Arquitetura conceitual de uma rede neural convolucional por fatiamento do espectro óptico: Na entrada, a imagem é transformada em um vetor que sobrepõe os píxeis no domínio óptico temporal com o uso de um modulador de amplitude. O sinal é então inserido no chip fotônico, que consiste em vários filtros passa-banda ópticos, cada um deles fatiando uma porção específica do espectro de entrada. A fotodetecção realiza a redução da dimensionalidade por meio de um agrupamento médio por fatia, e um conversor analógico-digital envia dados digitais para a camada final para a conclusão da classificação.
[Imagem: Aris Tsirigotis et al. - 10.34133/icomputing.0032]

Como a computação fotônica acelera as redes neurais?

Uma maneira de acelerar o processamento de imagens usando luz é a abordagem de fatiamento do espectro óptico. Imagine uma máquina que possa analisar imagens muito rapidamente dividindo-as em diferentes cores e padrões. Essa máquina não precisa de circuitos complicados, ou de pré-processamento das imagens, antes de analisá-las. O método usa filtros especiais que separam a imagem em diferentes partes com base em suas cores e padrões. Esses filtros trabalham em conjunto para extrair características importantes da imagem, como um rosto ou um sinal de trânsito.

Com esta abordagem, a máquina se torna escalável, o que significa que ela pode lidar com imagens maiores e mais complexas. Este método consome muito pouca energia, já que necessita apenas de uma pequena quantidade de eletricidade para emitir e detectar a luz e processar os sinais. E ele funciona instantaneamente, sem retardos, processando imagens em tempo real, literalmente na velocidade da luz.

Outro tipo de acelerador fotônico segue uma abordagem bioisomórfica, usando neurônios a laser pulsado miniaturizados e treinamento bioinspirado não-supervisionado. Essa arquitetura profunda oferece uma solução resiliente a ruídos e também eficiente em termos de energia. Os neurônios a laser simulam o comportamento de pico, ou disparo, dos neurônios biológicos, fornecendo robustez contra o ruído. O treinamento bioinspirado não-supervisionado extrai autonomamente características significativas dos dados, permitindo o reconhecimento de padrões sem rótulos explícitos.

Conclusão

Não é novidade que o processamento de informações baseado em fotônica oferece eficiência energética, o que é decisivo frente ao crescimento explosivo na demanda por poder de computação. Mas estas últimas abordagens significam que já demos um passo adiante, com os aceleradores atingindo resiliência ao ruído e, portanto, maior precisão nos cálculos.

Em resumo, a abordagem combinando neurônios a laser miniaturizados, treinamento bioinspirado não-supervisionado e fotônica está criando uma solução de aprendizado profundo que pode não apenas evitar o "muro à frente" da Lei de Moore, como também um ganho na eficiência energética, tudo sem perder a precisão dos cálculos obtidos com o hardware eletrônico atual.

Mais tópicos