En un avance innovador, investigadores del Instituto de Tecnología de Beijing, dirigidos por el profesor Xiangdong Zhang, han presentado un nuevo tipo de red neuronal óptica (ONN) que demuestra una notable “aceleración cuántica”
Esta innovación aprovecha las correlaciones ópticas de IA classicpara mejorar significativamente la potencia computacional de las ONN. Publicado en Light Science & Application, este logro representa un gran avance para abordar la creciente demanda de modelos de aprendizaje automático eficientes, a la vez que mitiga las limitaciones de los recursos computacionales.
Mejorando la eficiencia de la IA con redes neuronales ópticas y cuánticas.
de inteligencia artificial ( IA ), en particular los algoritmos de aprendizaje automático, han logrado enormes avances en los últimos años, permitiendo capacidades sin dent en tareas como el reconocimiento de imágenes, el procesamiento del lenguaje natural y la detección de objetos.
Sin embargo, estos avances tienen un coste: requieren recursos computacionales sustanciales. La capacidad computacional actual está llegando a su límite, lo que exige reducir los costes de entrenamiento y mejorar la eficiencia del mismo para los modelos de aprendizaje automático.
Los investigadores han centrado sus esfuerzos en dos vías principales para abordar este desafío: las redes neuronales ópticas (ONN) y las redes neuronales cuánticas. Las ONN utilizan técnicas avanzadas de manipulación óptica para ejecutar algoritmos de aprendizaje automático en el procesamiento óptico classic de información.
Estas redes ofrecen varias ventajas, como un bajo consumo de energía, una diafonía mínima y una baja latencia de transmisión. Sin embargo, las ONN tradicionales carecen de aceleración algorítmica, lo que significa que no presentan velocidades de convergencia de modelos más rápidas.
Por otro lado, las redes neuronales cuánticas son algoritmos basados en la teoría de la computación cuántica. Estudios recientes han demostrado que las redes neuronales cuánticas pueden lograr una aceleración algorítmica gracias a las correlaciones cuánticas. Desafortunadamente, sus aplicaciones prácticas se ven obstaculizadas por limitaciones técnicas, lo que dificulta su implementación a gran escala.
El avance presentado en el artículo reciente implica el desarrollo de una novedosa red neuronal óptica que imita la aceleración algorítmica observada en las redes neuronales cuánticas. Este notable logro es posible gracias a la introducción de correlaciones ópticas de inteligencia artificial classiccomo portadoras de información. Estas correlaciones permiten un procesamiento de información similar al de la computación cuántica, un concepto previamente demostrado por el mismo equipo de investigación.
Los investigadores desarrollaron operaciones convolucionales y de agrupación en el estado óptico correlacionado, lo que resultó en la creación de una red neuronal convolucional óptica correlacionada. Esta ONN demuestra un entrenamiento acelerado en conjuntos de datos específicos y puede aplicarse paradentlas características de los estados cuánticos bajo principios de codificación específicos. Este avance ha abierto las puertas a redes neuronales ópticas mejoradas algorítmicamente, con prometedores beneficios en la era del procesamiento de big data.
La red neuronal convolucional óptica correlacionada consta de cuatro componentes principales: la fuente de luz correlacionada, la convolución, la agrupación y las detecciones. El procesamiento principal lo realizan las secciones de convolución y agrupación.
Estos componentes difieren de los de las redes neuronales convolucionales classicporque manipulan la correlación de estados ópticos y generan estados correlacionados más simples a través de la fusión de haces.
Los científicos que lideran la investigación explican: «Estas dos partes realizan operaciones análogas a las puertas cuánticas en las redes neuronales convolucionales cuánticas. La parte convolucional de nuestra red se compone de operaciones unitarias en el estado óptico correlacionado, similares a las operaciones unitarias en el espacio de Hilbert de cúbits».
La parte de agrupación que consideramos equivale a medir cúbits parciales para obtener un espacio sub-Hilbert. Esto conlleva una disminución exponencial de la dimensión de los datos, lo que contribuye a una convergencia más rápida de la función de pérdida al aprender conjuntos de datos específicos
Además, los investigadores certifican la similitud entre su red neuronal convolucional óptica correlacionada y las redes neuronales convolucionales cuánticas mediante ladenttopológica de fase I de estados cuánticos. Resultados teóricos y experimentales respaldan esta certificación.
Una alternativa rentable a las redes neuronales cuánticas
Los resultados de esta investigación apuntan a una posibilidad emocionante: aprovechar las propiedades de las redes neuronales cuánticas de forma más rentable. Si bien las redes neuronales cuánticas ofrecen ventajas potenciales, su implementación práctica requiere circuitos cuánticos complejos con múltiples puertas multi-cúbit y mediciones complejas.
Estos circuitos son muy susceptibles a perturbaciones ambientales, lo que hace que su estabilidad y corrección de errores supongan un desafío sustancial.
Las redes neuronales ópticas correlacionadas introducidas en este estudio representan una alternativatrac. Presentan facilidad de organización de elementos y bajos requisitos ambientales en los experimentos.
Dado el crecimiento exponencial de los datos y la escasez de recursos para la computación de alta calidad, este enfoque proporciona una solución rentable y de alto rendimiento con amplias aplicaciones en varios campos de investigación de la ciencia de datos.
