Cálculos matriciais feitos com luz prometem acelerar inteligência artificial Redação do Site Inovação Tecnológica -

Cálculos matriciais feitos com luz prometem acelerar inteligência artificial

Redação do Site Inovação Tecnológica -  18/07/2017

Visualização artística do futuro processador nanofotônico programável - seus blocos fundamentais já estão prontos. [Imagem: RedCube Inc/Marin Soljacic Lab]

Multiplicação de matrizes

Os sistemas de inteligência artificial conhecidos como "aprendizagem profunda", baseados em redes neurais artificiais que imitam a forma como o cérebro aprende acumulando exemplos, tornaram-se um tópico quente em ciência da computação.

Além de terem viabilizado tecnologias como os softwares de reconhecimento de voz e de face, esses sistemas poderiam explorar grandes quantidades de dados médicos para encontrar padrões que poderiam ser úteis em diagnósticos ou para escanear fórmulas químicas para possíveis novos produtos farmacêuticos.

Mas os cálculos que esses sistemas precisam realizar são altamente complexos e computacionalmente exigentes - mesmo para os supercomputadores.

É que as arquiteturas dos computadores tradicionais não são muito eficientes quando se trata dos tipos de cálculos necessários para as redes neurais, tipicamente repetidas multiplicações de matrizes, que podem ser muito computacionalmente intensas em chips convencionais, sejam CPUs (processadores tradicionais) ou GPUs (processadores gráficos).

Processador nanofotônico programável

Agora, Yichen Shen e seus colegas do MIT desenvolveram uma nova abordagem para fazer esses cálculos, uma abordagem que usa luz em vez de eletricidade.

"Este chip, uma vez que você o ajusta, pode realizar a multiplicação de matrizes com, em princípio, energia zero, quase que instantaneamente," disse o professor Marin Soljacic.

Para explicar essa forma de cálculo com luz, Soljacic faz uma analogia com uma lente de óculos comum, que executa um cálculo complexo - a chamada transformada de Fourier - nas ondas de luz que passam por ela. A maneira como os feixes de luz realizam cálculos nos novos chips fotônicos é muito mais geral, mas tem um princípio semelhante.

A nova abordagem usa múltiplos feixes de luz direcionados de tal forma que suas ondas interagem umas com as outras, produzindo padrões de interferência que contêm o resultado da operação pretendida. O dispositivo resultante é algo que os pesquisadores chamam de "processador nanofotônico programável".

Foto dos sistemas reais e esquema das Unidades de Interferência Óptica, que fazem os cálculos matriciais e apresentam os resultados como padrões de interferência na luz. [Imagem: Yichen Shen et al. - 10.1038/nphoton.2017.93]

Resultados na luz

O processador nanofotônico programável usa uma série de guias de ondas interconectados de forma a poderem ser modificados conforme necessário, permitindo programar o conjunto de feixes de luz para que eles executem uma computação específica. "Você pode programar qualquer operação matricial," disse Shen.

O resultado, diz ele, é que um chip óptico que usar esta arquitetura poderá, em princípio, realizar os cálculos típicos dos algoritmos de inteligência artificialmuito mais rapidamente - é quase instantâneo, já que é à velocidade da luz - e usando menos de uma milésima parte de energia por operação que os processadores eletrônicos convencionais.

"A vantagem natural de usar a luz para fazer a multiplicação de matrizes tem um papel importante na aceleração e na economia de energia porque as multiplicações de matrizes densas são a parte que mais consome energia e tempo nos algoritmos de inteligência artificial," disse Soljacic.

Mas nem tudo está pronto. Os pesquisadores demonstraram os blocos fundamentais com que um processador de luz funcionará, provando que esses conjuntos de guias de onda de fato realizam os cálculos matriciais. Falta agora reunir tudo em um chip totalmente integrado e funcional, que possa ser programado para tarefas específicas.

Bibliografia:

Deep learning with coherent nanophotonic circuits
Yichen Shen, Nicholas C. Harris, Scott Skirlo, Mihika Prabhu, Tom Baehr-Jones, Michael Hochberg, Xin Sun, Shijie Zhao, Hugo Larochelle, Dirk Englund, Marin Soljacic
Nature Photonics
DOI: 10.1038/nphoton.2017.93