Ingenieros de UCLA Revelan Red Neuronal Óptica a Velocidad de Luz para Cámaras Inteligentes

Escuela de Ingeniería Samueli de UCLA, Los Ángeles, CA

Ingenieros de UCLA han hecho mejoras importantes en su diseño de una red neuronal óptica —un dispositivo inspirado en cómo funciona el cerebro humano— que puede identificar objetos o procesar información a la velocidad de la luz. El desarrollo podría llevar a sistemas de cámara inteligentes que descubren lo que están viendo simplemente por los patrones de luz que atraviesan una estructura de material 3D ingenierada. El nuevo diseño aprovecha la paralelización y escalabilidad de sistemas computacionales basados en óptica.

Aplicaciones: Decisiones Instantáneas en Autos y Robots

Por ejemplo, tales sistemas podrían incorporarse en autos autónomos o robots, ayudándoles a tomar decisiones casi instantáneas más rápido y usando menos energía que sistemas basados en computadora que necesitan tiempo adicional para identificar un objeto después de haberlo visto.

La tecnología fue introducida por primera vez por el grupo de UCLA en 2018. El sistema usa una serie de obleas o capas impresas en 3D con superficies irregulares que transmiten o reflejan luz entrante —similar en apariencia y efecto a vidrio esmerilado. Las capas tienen decenas de miles de puntos de píxel, esencialmente neuronas artificiales que forman un volumen de material ingenierado que computa todo-ópticamente. Cada objeto tendrá una ruta de luz única a través de las capas 3D fabricadas. Detrás de las capas hay varios detectores de luz, cada uno asignado previamente en una computadora para deducir qué es el objeto de entrada por dónde termina la mayor parte de la luz después de viajar a través de las capas. Por ejemplo, si está entrenado para descifrar dígitos escritos a mano, entonces el detector programado para identificar un "5" verá la mayor parte de la luz golpear ese detector después de que la imagen de un "5" haya viajado a través de las capas.

Mejora de Precisión: Doble Detector por Clase

Los investigadores de UCLA han aumentado significativamente la precisión del sistema agregando un segundo conjunto de detectores al sistema, así cada tipo de objeto ahora está representado con dos detectores en lugar de uno. Los investigadores apuntaban a aumentar la diferencia de señal entre un par de detectores asignado a un tipo de objeto. Intuitivamente, esto es similar a pesar dos piedras simultáneamente con manos izquierda y derecha para diferenciar si son de pesos similares o diferentes.

Tal sistema realiza tareas de aprendizaje automático con interacción luz-materia y difracción óptica dentro de una estructura de material 3D fabricada a la velocidad de la luz y sin necesidad de energía extensa, excepto para la luz de iluminación y circuitos de detectores simples. Según los investigadores, este avance podría permitir cámaras inteligentes específicas de tarea que realicen cómputo en una escena usando solo fotones e interacción luz-materia, haciéndolo extremadamente rápido y eficiente energéticamente.

Los investigadores probaron la precisión de su sistema usando conjuntos de datos de imágenes de dígitos escritos a mano, artículos de ropa y un conjunto más amplio de varios vehículos y animales conocido como el conjunto de datos de imágenes CIFAR-10. Encontraron tasas de precisión de reconocimiento de imágenes de 98.6%, 91.1% y 51.4% respectivamente.

Esos resultados se comparan muy favorablemente con generaciones anteriores de redes neuronales profundas totalmente electrónicas. Si bien sistemas electrónicos más recientes tienen mejor rendimiento, los investigadores sugieren que los sistemas todo-ópticos tienen ventajas en velocidad de inferencia, baja potencia y capacidad de escalar para acomodar e identificar muchos más objetos en paralelo.

Para más información, contacte a Amy Akmal en This email address is being protected from spambots. You need JavaScript enabled to view it..