«Lo que tenemos aquí es algo increíblemente simple», dijo Tian Wei Wu, autor principal del estudio. «Podemos reprogramarlo, cambiando los patrones láser sobre la marcha». Los investigadores utilizaron el sistema para diseñar una red neuronal que discriminaba con éxito los sonidos de las vocales. La mayoría de los sistemas fotónicos necesitan ser entrenados antes de construirse, ya que el entrenamiento implica necesariamente reconfigurar conexiones. Pero como este sistema se reconfigura fácilmente, los investigadores entrenaron el modelo después de instalarlo en el semiconductor. Ahora planean aumentar el tamaño del chip y codificar más información en diferentes colores de luz, lo que debería aumentar la cantidad de datos que puede manejar.
Es un progreso que incluso Psaltis, que construyó el sistema de reconocimiento facial en los años 90, considera impresionante. “Nuestros sueños más locos de hace 40 años eran muy modestos en comparación con lo que realmente sucedió”.
Primeros rayos de luz
Si bien la computación óptica ha avanzado rápidamente en los últimos años, todavía está lejos de desplazar a los chips electrónicos que ejecutan redes neuronales fuera de los laboratorios. Los artículos anuncian sistemas fotónicos que funcionan mejor que los electrónicos, pero generalmente ejecutan modelos pequeños utilizando diseños de redes antiguos y pequeñas cargas de trabajo. Y muchas de las cifras reportadas sobre la supremacía fotónica no cuentan toda la historia, dijo Bhavin Shastri de la Queen’s University en Ontario. «Es muy difícil hacer una comparación de manzanas con manzanas con la electrónica», dijo. «Por ejemplo, cuando utilizan láseres, en realidad no hablan de la energía para alimentarlos».
Los sistemas de laboratorio deben ampliarse antes de que puedan mostrar ventajas competitivas. “¿Qué tan grande tienes que llegar para ganar?” -Preguntó McMahon. La respuesta: excepcionalmente grande. Es por eso que nadie puede igualar un chip fabricado por Nvidia, cuyos chips impulsan muchos de los sistemas de inteligencia artificial más avanzados de la actualidad. Hay una lista enorme de acertijos de ingeniería que resolver a lo largo del camino: cuestiones que la parte electrónica ha resuelto durante décadas. «La electrónica está empezando con una gran ventaja», dijo McMahon.
Algunos investigadores creen que los sistemas de IA basados en ONN tendrán éxito primero en aplicaciones especializadas donde proporcionen ventajas únicas. Shastri dijo que un uso prometedor es contrarrestar la interferencia entre diferentes transmisiones inalámbricas, como las torres de telefonía celular 5G y los altímetros de radar que ayudan a los aviones a navegar. A principios de este año, Shastri y varios colegas creó un ONN que puede clasificar diferentes transmisiones y seleccionar una señal de interés en tiempo real y con un retraso de procesamiento de menos de 15 picosegundos (15 billonésimas de segundo), menos de una milésima parte del tiempo que tomaría un sistema electrónico, mientras usa menos de 1/70 de la potencia.
Pero McMahon dijo que vale la pena perseguir la gran visión: una red neuronal óptica que pueda superar a los sistemas electrónicos para uso general. El año pasado su grupo ejecutó simulaciones mostrando que, dentro de una década, un sistema óptico suficientemente grande podría hacer que algunos modelos de IA sean más de 1.000 veces más eficientes que los futuros sistemas electrónicos. “Muchas empresas se están esforzando ahora por obtener un beneficio 1,5 veces mayor. Un beneficio mil veces mayor, eso sería increíble”, afirmó. «Este es quizás un proyecto de 10 años, si tiene éxito».
historia original reimpreso con permiso de Revista Quanta, una publicación editorialmente independiente del Fundación Simons cuya misión es mejorar la comprensión pública de la ciencia cubriendo los desarrollos y tendencias de la investigación en matemáticas y ciencias físicas y biológicas.
