Cientistas de Pequim Revelam Rede Neural Óptica Revolucionária, Transformando o Treinamento de IA

Em um desenvolvimento inovador, pesquisadores do Instituto de Tecnologia de Pequim, liderados pelo Professor Xiangdong Zhang, apresentaram um novo tipo de rede neural óptica (ONN) que demonstra um notável “aceleramento quântico”. 

Esta inovação aproveita as correlações ópticas clássicas para melhorar significativamente o poder computacional das ONNs. Publicado na Light Science & Application, este feito representa um grande passo em direção à demanda crescente por modelos de aprendizado de máquina eficientes, ao mesmo tempo que mitiga as limitações dos recursos computacionais.

Aumentando a eficiência da IA com Redes Neurais Ópticas e Quânticas.

As tecnologias de inteligência artificial (IA), particularmente os algoritmos de aprendizado de máquina, fizeram avanços tremendas nos últimos anos, permitindo capacidades sem precedentes em tarefas como reconhecimento de imagens, processamento de linguagem natural e detecção de objetos.

No entanto, esses avanços vêm a um custo – eles requerem recursos computacionais substanciais. O estado atual do poder computacional está se aproximando de seus limites, tornando necessária a redução dos custos de treinamento e a melhoria da eficiência do treinamento para modelos de aprendizado de máquina.

Os pesquisadores concentraram seus esforços em duas vias principais para enfrentar esse desafio: redes neurais ópticas (ONNs) e redes neurais quânticas. As ONNs utilizam técnicas avançadas de manipulação óptica para executar algoritmos de aprendizado de máquina no processamento clássico de informações ópticas. 

Essas redes possuem várias vantagens, incluindo baixo consumo de energia, mínima interferência cruzada e baixa latência de transmissão. No entanto, as ONNs tradicionais carecem de aceleração algorítmica, o que significa que não exibem velocidades de convergência de modelo mais rápidas.

Por outro lado, as redes neurais quânticas são algoritmos de rede neural fundamentados na teoria da computação quântica. Estudos recentes mostraram que as redes neurais quânticas podem alcançar aceleração algorítmica devido às correlações quânticas. Infelizmente, as aplicações práticas de redes neurais quânticas são prejudicadas por limitações técnicas, tornando-as desafiadoras de implantar em larga escala.

Redes Neurais Convolucionais Ópticas Correlacionadas

O avanço apresentado no artigo recente envolve o desenvolvimento de uma nova rede neural óptica que imita a aceleração algorítmica vista nas redes neurais quânticas. Este feito notável é possível introduzindo correlações ópticas clássicas como portadoras de informação. Essas correlações permitem o processamento de informações semelhante à computação quântica, um conceito anteriormente demonstrado pela mesma equipe de pesquisa.

Os pesquisadores desenvolveram operações convolucionais e de pooling no estado óptico correlacionado, resultando na criação de uma rede neural convolucional óptica correlacionada. Esta ONN demonstra treinamento acelerado em conjuntos de dados específicos e pode ser aplicada para identificar as características de estados quânticos sob princípios de codificação específicos. Este avanço abriu portas para redes neurais ópticas aprimoradas algoritmicamente, prometendo benefícios na era do processamento de big data.

A estrutura de uma rede neural convolucional óptica correlacionada

A rede neural convolucional óptica correlacionada compreende quatro componentes principais: a fonte de luz correlacionada, a convolução, o pooling (agrupamento) e as detecções. O processamento central é realizado pelas seções de convolução e pooling. 

Esses componentes diferem daqueles das redes neurais convolucionais clássicas, pois manipulam a correlação dos estados ópticos e geram estados correlacionados mais simples por meio da fusão de feixes.

Os cientistas que lideram a pesquisa explicam: “Essas duas partes realmente realizam as operações análogas às portas quânticas nas redes neurais convolucionais quânticas. A parte de convolução em nossa rede é composta por operações unitárias no estado óptico correlacionado, semelhantes às operações unitárias no espaço de Hilbert dos qubits.” 

A parte de pooling que consideramos é equivalente à medição de qubits parciais para obter um sub-espaço de Hilbert. Isso leva a uma diminuição exponencial na dimensão dos dados, contribuindo para uma convergência mais rápida da função de perda ao aprender conjuntos de dados específicos.”

Além disso, os pesquisadores certificam a similaridade entre sua rede neural convolucional óptica correlacionada e as redes neurais convolucionais quânticas, realizando a identificação de fase topológica de estados quânticos. Tanto os resultados teóricos quanto os experimentais apoiam essa certificação.

Uma alternativa econômica às redes neurais quânticas

Os resultados desta pesquisa apontam para uma possibilidade emocionante – realizar as propriedades das redes neurais quânticas de uma maneira mais econômica. Embora as redes neurais quânticas ofereçam vantagens potenciais, sua implementação prática requer circuitos quânticos complexos com múltiplas portas de múltiplos qubits e medições intricadas. 

Esses circuitos são altamente suscetíveis a perturbações ambientais, tornando sua estabilidade e correção de erros um desafio substancial.

As redes neurais ópticas correlacionadas introduzidas neste estudo apresentam uma alternativa atraente. Elas exibem facilidade no arranjo de elementos e têm baixos requisitos ambientais nos experimentos. 

Dado o crescimento exponencial dos dados e a escassez de recursos para computação de alta qualidade, essa abordagem fornece uma solução econômica e de alto desempenho com aplicações abrangentes em vários campos de pesquisa em ciência de dados.