Optalysys Revela la Primera Red Neuronal Óptica Impulsada por Láser del Mundo

• Optalysys demuestra su tecnología de procesamiento óptico realizando IA a la velocidad de la luz.
• Usa luz láser eficiente energéticamente en lugar de técnica de procesamiento de silicio.

La empresa tecnológica con sede en Reino Unido, llamada Optalysys, ha desarrollado la primera Red Neuronal Convolucional (CNN) usando su Tecnología de Procesamiento Óptico. El dispositivo de computación óptica utiliza moduladores de luz espacial y láseres para ejecutar operaciones numéricas complejas a muy alta velocidad mientras usa menos energía.

El uso de CNNs está creciendo rápidamente, especialmente en el campo de reconocimiento y análisis de imágenes basado en técnicas de aprendizaje automático. También se usa en aplicaciones fundamentales como análisis de imágenes médicas, pronóstico del tiempo y vehículos autónomos. Todos estos modelos requieren enormes cómputos, e implican múltiples capas convolucionales para ser procesadas.

En los últimos años, con el avance de procesadores gráficos, CNN también ha hecho progresiones impresionantes. Sin embargo, todavía están limitados por altos costos energéticos y la ruptura de la ley de Moore.

La tecnología de procesamiento óptico desarrollada por Optalysys usa luz láser eficiente energéticamente en lugar de técnica de procesamiento de silicio. Esto proporciona múltiples órdenes de magnitud de mejora de velocidad sobre computadoras tradicionales y consume mucha menos energía.

Según el CEO y fundador de la empresa, Dr. Nick New, han aplicado procesamiento óptico al campo extremadamente complejo y altamente demandante de recursos de red neuronal convolucional con 70 por ciento de tasas de precisión iniciales.

Han demostrado esta tecnología procesando una red neuronal convolucional, usando un conocido dato MNIST que contiene 10.000 caracteres de prueba y 60.000 caracteres de entrenamiento.

Proyectos Principales Basados en Esta Tecnología

Este enfoque altamente eficiente y escalable (que aún está en fase de desarrollo) no solo proporcionará nuevos niveles de capacidades basadas en la nube, sino que también mejorará el potencial de redes neuronales convolucionales a sistemas móviles. Este trabajo llevó a algunos proyectos de prueba de concepto.

Proyecto Genesys: Un prototipo de sistema de búsqueda genética para realizar búsquedas de secuencia de lecturas metagenómicas en una gran base de datos de más de 64 millones de pares de bases de 20 genomas bacterianos.

Proyecto Escape: Parte de un gran proyecto de colaboración para construir capacidades de cómputo de alta escala y algoritmos de próxima generación para el Centro Europeo de Pronósticos Meteorológicos a Plazo Medio.

Proyecto Equate: Un proyecto semilla con DARPA para explorar procesamiento matemático a velocidad de luz, que forma la base para simulaciones de escala extrema como las usadas en dinámica de fluidos y modelado de plasma.

Sobre Optalysys

Optalysys es una de las startups de rápido crecimiento que está trabajando en implementar computación óptica a inteligencia artificial. Construyeron su primer coprocesador usando técnicas de difracción óptica bien establecidas, que se basa en láser de baja potencia en lugar de corriente eléctrica.

Según la empresa, su tecnología es ampliamente escalable. En el futuro, estos sistemas pueden alcanzar capacidades más allá de los límites de lo que se puede realizar vía máquinas computacionales tradicionales, utilizando la forma más natural de procesamiento paralelo – la luz.

Estos sistemas estarán disponibles en máquinas de cómputo de alto rendimiento, computadoras de escritorio, y nube. Además, sistemas miniaturizados se integrarán en dispositivos de mano con la ayuda de la tecnología de componentes de hoy.

Leer: Una Nueva Forma de Luz Que Podría Hacer Posible la Computación Cuántica con Fotones

Otras empresas como Lightmatter, Light Intelligence, Lighton y Fathom Computing están trabajando en el mismo campo. Todas usan diferentes tipos de técnicas ópticas para codificar redes neuronales con el fin de proporcionar sistemas mucho más eficientes energéticamente que el aprendizaje basado en GPU convencional.