Engenheiros da UCLA Revelam Rede Neural Óptica na Velocidade da Luz para Câmeras Inteligentes

Escola de Engenharia Samueli da UCLA, Los Angeles, CA

Engenheiros da UCLA fizeram grandes melhorias em seu design de uma rede neural óptica — um dispositivo inspirado em como o cérebro humano funciona — que pode identificar objetos ou processar informação na velocidade da luz. O desenvolvimento pode levar a sistemas de câmera inteligentes que descobrem o que estão vendo simplesmente pelos padrões de luz que passam através de uma estrutura de material 3D engenheirado. O novo design aproveita a paralelização e escalabilidade de sistemas computacionais baseados em óptica.

Aplicações em Veículos Autônomos e Robôs

Por exemplo, tais sistemas poderiam ser incorporados em carros autônomos ou robôs, ajudando-os a tomar decisões quasi-instantâneas mais rápido e usando menos energia que sistemas baseados em computador que precisam de tempo adicional para identificar um objeto depois que ele foi visto.

A tecnologia foi introduzida pela primeira vez pelo grupo da UCLA em 2018. O sistema usa uma série de wafers ou camadas impressas em 3D com superfícies irregulares que transmitem ou refletem luz incidente — similar em aparência e efeito a vidro fosco. As camadas têm dezenas de milhares de pontos de pixel, essencialmente neurônios artificiais que formam um volume engenheirado de material que computa todo-opticamente. Cada objeto terá um caminho de luz único através das camadas 3D fabricadas. Atrás das camadas estão vários detectores de luz, cada um previamente atribuído em um computador para deduzir o que o objeto de entrada é por onde a maior parte da luz termina após viajar através das camadas. Por exemplo, se é treinado para descobrir dígitos manuscritos, então o detector programado para identificar um "5" verá a maior parte da luz atingir aquele detector após a imagem de um "5" ter viajado através das camadas.

Melhoria de Precisão com Detectores Duplos

Os pesquisadores da UCLA aumentaram significativamente a precisão do sistema adicionando um segundo conjunto de detectores ao sistema, então cada tipo de objeto agora é representado com dois detectores em vez de um. Os pesquisadores visaram aumentar a diferença de sinal entre um par de detectores atribuído a um tipo de objeto. Intuitivamente, isso é similar a pesar duas pedras simultaneamente com mãos esquerda e direita para diferenciar se elas são de pesos similares ou diferentes.

Tal sistema realiza tarefas de aprendizado de máquina com interação luz-matéria e difração óptica dentro de uma estrutura de material 3D fabricado na velocidade da luz e sem necessidade de energia extensiva, exceto para a luz de iluminação e circuitaria de detector simples. De acordo com os pesquisadores, este avanço poderia permitir câmeras inteligentes específicas de tarefa que realizam computação em uma cena usando apenas fótons e interação luz-matéria, tornando-o extremamente rápido e energeticamente eficiente.

Os pesquisadores testaram a precisão de seu sistema usando conjuntos de dados de imagem de dígitos manuscritos, itens de vestuário e um conjunto mais amplo de vários veículos e animais conhecido como conjunto de dados de imagem CIFAR-10. Encontraram taxas de precisão de reconhecimento de imagem de 98.6%, 91.1% e 51.4% respectivamente.

Esses resultados comparam muito favoravelmente a gerações anteriores de redes neurais profundas totalmente eletrônicas. Enquanto sistemas eletrônicos mais recentes têm melhor desempenho, os pesquisadores sugerem que sistemas totalmente ópticos têm vantagens em velocidade de inferência, baixa potência e capacidade de ser escalados para acomodar e identificar muitos mais objetos em paralelo.

Para mais informações, contate Amy Akmal em este endereço de email.