Científicos de Pekín revelan una red neuronal óptica revolucionaria que transforma el entrenamiento de IA

En un desarrollo innovador, investigadores del Instituto de Tecnología de Pekín, liderados por el profesor Xiangdong Zhang, han presentado un nuevo tipo de red neuronal óptica (ONN) que demuestra un notable “aceleración cuántica”. 

Esta innovación aprovecha las correlaciones ópticas clásicas para mejorar significativamente el poder computacional de las ONNs. Publicado en Light Science & Application, este logro representa un gran paso hacia la atención de la demanda cada vez mayor de modelos de aprendizaje automático eficientes, mientras se mitigan las limitaciones de los recursos computacionales.

Mejora de la eficiencia de la IA con Redes Neuronales Ópticas y Cuánticas.

Las tecnologías de inteligencia artificial (IA), particularmente los algoritmos de aprendizaje automático, han realizado avances tremendo en los últimos años, habilitando capacidades sin precedentes en tareas como el reconocimiento de imágenes, el procesamiento del lenguaje natural y la detección de objetos.

Sin embargo, estos avances tienen un costo: requieren recursos computacionales sustanciales. El estado actual del poder computacional está cerca de sus límites, lo que hace necesario reducir los costos de entrenamiento y mejorar la eficiencia del entrenamiento para los modelos de aprendizaje automático.

Los investigadores han centrado sus esfuerzos en dos vías principales para abordar este desafío: las redes neuronales ópticas (ONNs) y las redes neuronales cuánticas. Las ONNs utilizan técnicas avanzadas de manipulación óptica para ejecutar algoritmos de aprendizaje automático en el procesamiento clásico de información óptica. 

Estas redes cuentan con varias ventajas, incluido el bajo consumo de energía, la mínima diafonía y la baja latencia de transmisión. Sin embargo, las ONNs tradicionales carecen de aceleración algorítmica, lo que significa que no exhiben velocidades de convergencia de modelos más rápidas.

Por otro lado, las redes neuronales cuánticas son algoritmos de redes neuronales fundamentados en la teoría de la computación cuántica. Estudios recientes han demostrado que las redes neuronales cuánticas pueden lograr aceleración algorítmica debido a las correlaciones cuánticas. Desafortunadamente, las aplicaciones prácticas de las redes neuronales cuánticas se ven obstaculizadas por limitaciones técnicas, lo que las hace difíciles de implementar a gran escala.

Redes Neuronales Convolucionales Ópticas Correlacionadas

El avance presentado en el artículo reciente implica el desarrollo de una nueva red neuronal óptica que imita la aceleración algorítmica observada en las redes neuronales cuánticas. Este logro notable es posible introduciendo correlaciones ópticas clásicas como portadoras de información. Estas correlaciones permiten el procesamiento de información similar a la computación cuántica, un concepto previamente demostrado por el mismo equipo de investigación.

Los investigadores desarrollaron operaciones de convolución y agrupamiento 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 para identificar las características de los estados cuánticos bajo principios de codificación específicos. Este avance ha abierto puertas a las redes neuronales ópticas mejoradas algorítmicamente, prometiendo beneficios en la era del procesamiento de grandes datos.

La estructura de una red neuronal convolucional óptica correlacionada

La red neuronal convolucional óptica correlacionada comprende cuatro componentes principales: la fuente de luz correlacionada, la convolución, el agrupamiento y las detecciones. El procesamiento principal se realiza por las secciones de convolución y agrupamiento. 

Estos componentes difieren de los de las redes neuronales convolucionales clásicas, ya que manipulan la correlación de los estados ópticos y generan estados correlacionados más simples mediante la fusión de haces.

Los científicos que lideran la investigación explican: “Estas dos partes realmente realizan las operaciones análogas a las puertas cuánticas en las redes neuronales convolucionales cuánticas. La parte de convolución en nuestra red está compuesta por operaciones unitarias en el estado óptico correlacionado, similar a las operaciones unitarias en el espacio de Hilbert de los qubits.” 

La parte de agrupamiento que consideramos es equivalente a medir qubits parciales para obtener un subespacio de Hilbert. Esto conduce a una disminución exponencial en 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 la identificación de fases topológicas de estados cuánticos. Tanto los resultados teóricos como experimentales respaldan esta certificación.

Una alternativa rentable a las redes neuronales cuánticas

Los resultados de esta investigación apuntan hacia una posibilidad emocionante: realizar las propiedades de las redes neuronales cuánticas de una manera más rentable. Si bien las redes neuronales cuánticas ofrecen ventajas potenciales, su implementación práctica requiere circuitos cuánticos complejos con múltiples puertas de múltiples qubits y mediciones intrincadas. 

Estos circuitos son altamente susceptibles a perturbaciones ambientales, lo que hace que su estabilidad y corrección de errores sean un desafío considerable.

Las redes neuronales ópticas correlacionadas presentadas en este estudio presentan una alternativa atractiva. Exhiben facilidad en la disposición de elementos y tienen bajos requisitos ambientales en los experimentos. 

Dado el crecimiento exponencial de los datos y la escasez de recursos para el cálculo de alta calidad, este enfoque proporciona una solución rentable y de alto rendimiento con aplicaciones de amplio alcance en varios campos de investigación de la ciencia de datos.