Os chineses estão ensinando robôs a “pensar” na velocidade da luz, à medida que a fotônica de silício ganha impulso.

Cientistas da Universidade Xidian desenvolveram um sistema de computação neuromórfica fotônica que, pela primeira vez, possibilita o aprendizado por reforço baseado inteiramente em luz (fótons), sem a necessidade de converter sinais em pulsos elétricos para realizar operações essenciais. Anteriormente, as redes neurais fotônicas de picos só conseguiam realizar cálculos lineares, mas esse novo desenvolvimento rompeu com o domínio das transformações não lineares, o que promete revolucionar o setor.

Fonte da imagem: Universidade Xidian

A conversão de sinais de fluxo de fótons para elétrons e vice-versa resulta em perdas adicionais de energia e tempo (latência). Para a robótica em tempo real, essas perdas podem levar a falhas rápidas e até mesmo acidentes. Portanto, o desejo dos desenvolvedores de criar chips fotônicos universais para computações complexas e treinamento de robôs e carros autônomos é um dos principais caminhos para a coexistência segura da robótica com os humanos.

O protótipo óptico de dois chips criado pelos cientistas resolve três problemas principais: a falta anterior de grandes conjuntos de neurônios fotônicos não lineares com um baixo limiar de disparo (esses conjuntos agora existem e seus limiares de disparo muito baixos possibilitam a criação de conjuntos de neurônios muito mais densos do que era possível anteriormente); a impossibilidade de criar chips de rede de neurônios totalmente programáveis ​​(eles eram “codificados em hardware”) e, consequentemente, a falta de implementação em hardware do aprendizado por reforço fotônico, problema que a equipe de pesquisa superou com sucesso.

O primeiro sistema proposto pelos pesquisadores, descrito na última edição da revista Optica, consiste em um chip neuromórfico fotônico de 16 canais com 272 parâmetros treináveis ​​(baseado em uma matriz de interferômetros Mach-Zehnder 16 × 16) e um chip com uma matriz de lasers de feedback e um absorvedor saturável para ativação de picos não lineares de baixo limiar. Como esperado, uma estrutura de hardware e software também foi desenvolvida: o modelo é treinado primeiro em um pacote de software, depois nos chips e, finalmente,O algoritmo é treinado levando em consideração as especificidades da implementação de hardware.

Os testes foram conduzidos em tarefas clássicas: CartPole (equilibrar uma vara sobre um carrinho) e Pendulum (balançar um pêndulo de uma posição suspensa para uma vertical e, em seguida, estabilizá-lo nessa posição). Os resultados de hardware mostraram uma queda mínima na precisão — apenas 1,5% para CartPole e 2% para Pendulum em comparação com o modelo puramente de software. O desempenho ideal foi alcançado em CartPole, e um bom desempenho foi obtido na tarefa mais complexa de Pendulum.

O desempenho é impressionante: a eficiência energética dos cálculos lineares atingiu 1,39 TOPS/W com uma densidade de 0,13 TOPS/mm², os cálculos não lineares atingiram 987,65 GOPS/W e 533,33 GOPS/mm²; a latência de computação no chip foi de apenas 320 picossegundos. Esses números colocam o sistema óptico na classe das GPUs em termos de eficiência energética (1 TOPS/W) e densidade computacional (0,1–0,5 TOPS/mm²), mas com a vantagem do processamento óptico completo, eliminando perdas na conversão de sinal. O sistema demonstra aprendizado rápido por meio de uma série de processos de tentativa e erro em tempo real.

Esse desenvolvimento abre perspectivas para direção autônoma, inteligência embarcada em robôs e computação de borda, onde latência ultrabaixa e consumo mínimo de energia são requisitos essenciais. No futuro, os autores planejam expandir o sistema para um chip de 128 canais para tarefas mais complexas, como navegação autônoma neuromórfica, e criar chips fotônicos neuromórficos híbridos e compactos. Este é um passo significativo rumo à IA com eficiência energética alimentada por pulsos de luz.