Un paso más cerca de lograr una red neural artificial enteramente basada en luz

Unos investigadores han comprobado que es posible “adiestrar” redes neurales artificiales directamente sobre un chip óptico. El notable avance demuestra que un circuito óptico puede llevar a cabo una de las funciones esenciales de las redes neurales artificiales basadas en la electrónica y que podría ser el punto de partida para desarrollar modos menos caros, más rápidos y con mayor eficiencia energética, de realizar tareas informáticas complejas, como el reconocimiento del habla o de imágenes.

Este avance tecnológico es obra del equipo de Shanhui Fan, de la Universidad de Stanford en California, Estados Unidos.

La utilización de un chip óptico para llevar a cabo en una red neural computaciones con mayor eficiencia de la que es posible con ordenadores digitales convencionales, podría permitirles a tales redes resolver problemas con un nivel de complejidad superior al máximo que tienen los problemas afrontables por los ordenadores convencionales comparables. Esto mejoraría la capacidad de las redes neurales artificiales para desempeñar ciertas tareas necesarias en automóviles autoconducidos o para elaborar una respuesta apropiada ante una pregunta hablada, por ejemplo. Podría también mejorar nuestras vidas de formas que no podemos ahora imaginar.

Una red neural puede ser adiestrada usando un circuito óptico (rectángulo azul en la ilustración). En la red completa habría varios de ellos unidos entre sí. Las entradas de láser (en verde) codifican la información que es transportada a través del chip por guías de onda ópticas (en negro). El chip realiza operaciones cruciales para la red neural usando separadores ajustables de haces, que están representados por las secciones curvadas en las guías de ondas. Estas secciones emparejan dos guías de ondas adyacentes y se ajustan a través de la configuración de los reguladores de fase (objetos brillantes rojos y azules).

Una red neural artificial es un sistema de inteligencia artificial que utiliza unidades conectadas para procesar información de una manera similar a la forma en que el cerebro la procesa y, con la exposición a las señales adecuadas, puede acabar adaptándose a ellas o “aprendiendo”. Por tanto, utilizar estas redes para que realicen eficazmente una tarea compleja, como por ejemplo el reconocimiento de la voz, precisa el paso esencial de adiestrar los algoritmos para que sean capaces de clasificar los datos entrantes (por ejemplo, palabras diferentes).

Hasta ahora, este “aprendizaje” solo se había logrado en sistemas total o parcialmente eléctricos.