Seattle, janeiro.27, 2022-Pesquisadores da Universidade de Washington (UW) desenvolveram hardware de computação óptica para IA e aprendizado de máquina que é mais rápido e mais eficiente em termos energéticos do que os computadores convencionais baseados em eletrônicos.O trabalho também aborda outro desafio: o "ruído" que é inerente à computação óptica e que pode interferir na precisão computacional.A equipe demonstrou que seu sistema pode mitigar o ruído e que pode usar parte dele como uma entrada para ajudar a aprimorar a saída criativa da rede neural artificial dentro do sistema."Construímos um computador óptico que é mais rápido que um computador digital convencional", disse o autor líder Changing Wu, um estudante de doutorado da UW em engenharia elétrica e de computadores.“E também, este computador óptico pode criar coisas novas com base em entradas aleatórias geradas a partir do ruído óptico que a maioria dos pesquisadores tentou evitar.”
An illustration of the UW-led research team’s integrated optical computing chip and “handwritten” numbers it generated. The chip contains an artificial neural network that can learn how to write like a human in its own, distinct style. This optical computing system also uses “noise” (stray photons from lasers and thermal background radiation) to augment its creative capabilities. Courtesy of Changming Wu, University of Washington.
O ruído de computação óptica vem de fótons perdidos que se originam da operação de lasers dentro do dispositivo e radiação térmica de fundo.Para direcionar o ruído, a equipe conectou seu núcleo de computação óptica a um tipo especial de rede de aprendizado de máquina chamado Rede Adversária Generativa (GAN).A equipe testou várias técnicas de mitigação de ruído, que incluíram parte do ruído gerado pelo núcleo de computação óptica para servir como entradas aleatórias para o GaN.Por exemplo, a equipe atribuiu ao GaN a tarefa de aprender a fazer com que o número "7" como uma pessoa faria.O computador óptico não poderia simplesmente imprimir o número de acordo com uma fonte prescrita;Tinha que aprender a tarefa de uma maneira semelhante à maneira como uma criança, olhando para amostras de caligrafia e praticando até que pudesse escrever o número corretamente.O computador fez isso gerando imagens digitais com um estilo semelhante às amostras que estudou, mas não idênticas."Em vez de treinar a rede para ler números manuscritos, treinamos a rede para aprender a escrever números, imitando amostras visuais de caligrafia nas quais ela foi treinada", disse o autor sênior Mo Li, professor de engenharia elétrica e de computação.“Nós, com a ajuda de nossos colaboradores de ciência da computação na Universidade de Duke, também mostramos que o GaN pode mitigar o impacto negativo dos ruídos de hardware de computação óptica usando um algoritmo de treinamento robusto para erros e ruídos.Mais do que isso, a rede realmente usa os ruídos como entrada aleatória necessária para gerar instâncias de saída.”As próximas etapas incluem a construção do dispositivo em uma escala maior usando a tecnologia atual de fabricação de semicondutores.A equipe planeja usar uma fundição industrial de semicondutores para alcançar a tecnologia em escala de bolacha, em vez de construir a próxima iteração do dispositivo em um laboratório.Um dispositivo em larga escala melhorará o desempenho e permitirá que a equipe de pesquisa realize tarefas mais complexas além da geração de manuscritas, como criar obras de arte e até vídeos.“Este sistema óptico representa uma arquitetura de hardware de computador que pode aprimorar a criatividade das redes neurais artificiais usadas em IA e aprendizado de máquina, mas, mais importante, demonstra a viabilidade deste sistema em larga escala, onde ruído e erros podem ser atenuados e até aproveitados, Li disse.“As aplicações de IA estão crescendo tão rápido que, no futuro, seu consumo de energia será insustentável.Essa tecnologia tem o potencial de ajudar a reduzir esse consumo de energia, tornando a IA e o aprendizado de máquina ambientalmente sustentável - e muito rápido, alcançando um desempenho mais alto em geral.”A pesquisa foi publicada em Advances Science (www.doi.org/10.1126/sciadv.ABM2956).
