Ingenieros de UCLA presentan una red neuronal óptica a la velocidad de la luz para cámaras inteligentes

Escuela de Ingeniería Samueli de UCLA, Los Ángeles, CA

Los ingenieros de la UCLA han realizado importantes mejoras en el diseño de una red neuronal óptica (un dispositivo inspirado en el funcionamiento del cerebro humano) que puede identificar objetos o procesar información a la velocidad de la luz. El desarrollo podría conducir a sistemas de cámaras inteligentes que descubran lo que están viendo simplemente mediante los patrones de luz que atraviesan una estructura de material diseñada en 3D. El nuevo diseño aprovecha la paralelización y escalabilidad de los sistemas computacionales basados en óptica.

Por ejemplo, estos sistemas podrían incorporarse a automóviles o robots autónomos, ayudándoles a tomar decisiones casi instantáneas más rápido y utilizando menos energía que los sistemas informáticos que necesitan tiempo adicional para identificar un objeto después de haberlo visto.

La tecnología fue introducida por primera vez por el grupo UCLA en 2018. El sistema utiliza una serie de obleas o capas impresas en 3D con superficies irregulares que transmiten o reflejan la luz entrante, similar en apariencia y efecto al vidrio esmerilado. Las capas tienen decenas de miles de puntos de píxeles, esencialmente neuronas artificiales que forman un volumen de material diseñado que se calcula de forma totalmente óptica. Cada objeto tendrá un camino de luz único a través de las capas fabricadas en 3D. Detrás de las capas hay varios detectores de luz, cada uno de ellos previamente asignado en una computadora para deducir cuál es el objeto de entrada por dónde termina la mayor cantidad de 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 que la mayor parte de la luz incide en ese detector después de que la imagen de un "5" haya viajado a través de las capas.

Los investigadores de UCLA han aumentado significativamente la precisión del sistema añadiendo un segundo conjunto de detectores, por lo que cada tipo de objeto ahora está representado con dos detectores en lugar de uno. Los investigadores pretendían aumentar la diferencia de señal entre un par de detectores asignados a un tipo de objeto. Intuitivamente, esto es similar a pesar dos piedras simultáneamente con la mano izquierda y la derecha para poder diferenciar si son de peso similar o diferente.

Un sistema de este tipo realiza tareas de aprendizaje automático con interacción luz-materia y difracción óptica dentro de una estructura de material fabricado en 3D a la velocidad de la luz y sin la necesidad de una gran cantidad de energía, excepto la luz de iluminación y un circuito detector simple. Según los investigadores, este avance podría habilitar cámaras inteligentes para tareas específicas que realicen cálculos en una escena utilizando solo fotones e interacción luz-materia, lo que las hace extremadamente rápidas y energéticamente eficientes.

Los investigadores probaron la precisión de su sistema utilizando conjuntos de datos de imágenes de dígitos escritos a mano, prendas de vestir y un conjunto más amplio de diversos vehículos y animales conocido como conjunto de datos de imágenes CIFAR-10. Encontraron tasas de precisión en el reconocimiento de imágenes del 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 los sistemas electrónicos más recientes tienen un mejor rendimiento, los investigadores sugieren que los sistemas totalmente ópticos tienen ventajas en cuanto a velocidad de inferencia, baja potencia y la capacidad de ampliarse para acomodar e identificar muchos más objetos en paralelo.

Para obtener más información, comuníquese con Amy Akmal en Esta dirección de correo electrónico está protegida contra spambots. Necesita activar JavaScript para verlo..