As ferramentas de IA baseadas em redes neurais artificiais (ANNs) estão sendo introduzidas em um número crescente de configurações, ajudando os humanos a lidar com muitos problemas de maneira mais rápida e eficiente. Embora a maioria desses algoritmos seja executada em dispositivos digitais e computadores convencionais, os engenheiros eletrônicos têm explorado o potencial de executá-los em plataformas alternativas, como dispositivos ópticos difrativos.
Uma equipe de pesquisa liderada pelo Prof. Tie Jun Cui da Southeast University na China desenvolveu recentemente uma nova rede neural programável baseada no chamado spoof surface plasmon polariton (SSPP), que é uma onda eletromagnética de superfície que se propaga ao longo de interfaces planares. Essa arquitetura de rede neural plasmônica de superfície (SPNN) recém-proposta, apresentada em um artigo na Nature Electronics, pode detectar e processar microondas, o que pode ser útil para comunicação sem fio e outras aplicações tecnológicas.
“Na pesquisa de hardware digital para a implementação de redes neurais artificiais, redes neurais ópticas e redes neurais profundas difrativas surgiram recentemente como soluções promissoras”, disse Qian Ma, um dos pesquisadores que realizou o estudo, ao Tech Xplore. “Pesquisas anteriores com foco em redes neurais ópticas mostraram que a programação simultânea de alto nível e a computação não linear podem ser difíceis de alcançar. Portanto, esses dispositivos ONN geralmente têm sido limitados a tarefas específicas sem programação ou aplicados apenas para tarefas de reconhecimento simples (ou seja, linear problemas).”
O objetivo principal do trabalho recente desses pesquisadores foi melhorar ainda mais o desempenho das redes neurais em problemas não lineares complexos, ao mesmo tempo em que as torna adequadas para uma ampla variedade de aplicações. O SPNN, sua arquitetura proposta, pode ser programado para diferentes configurações de peso, o que significa que teoricamente deve generalizar bem em diferentes tarefas.
A equipe de pesquisa liderada pelo Prof. Cui vem desenvolvendo dispositivos plasmônicos de superfície falsos programáveis e explorando seu uso para regulações eletromagnéticas há vários anos. Inspirados por suas descobertas anteriores, eles começaram a desenvolver uma rede neural com pesos programáveis e funções de ativação com base em um desses dispositivos plasmônicos. Em princípio, a arquitetura que eles propuseram poderia atingir velocidades de processamento notáveis, aproximando-se da velocidade da luz.
“O SPNN foi criado de maneira camada por camada, onde cada camada consiste em várias supercélulas SSPP programáveis”, explicou Ma. “Cada supercélula com uma rede totalmente conectada de quatro entradas e quatro saídas é composta por oito células SSPP programáveis. Projetamos uma estrutura composta tridimensional, que realiza de maneira inteligente as características da conexão completa.”
Cada uma das supercélulas programáveis que os pesquisadores usaram para criar sua plataforma é composta por um divisor de energia SSPP e um acoplador. Este design exclusivo permite manipular ondas eletromagnéticas de forma robusta e, em seguida, usá-las para realizar redes neurais plasmônicas.
“Os parâmetros de peso das redes neurais são ajustados alterando as tensões dos varactores que carregam nos acopladores”, disse Ma. “Mais importante, a função de ativação pode ser personalizada detectando a intensidade de entrada usando detectores e realimentando o limite para um amplificador. O SPNN pode executar uma tarefa de classificação de imagem e também pode ser usado para criar um sistema de comunicação sem fio para decodificar e recuperar imagens .”
Os recursos mais notáveis da arquitetura SPNN da equipe são seus pesos programáveis e funções de ativação, o que pode facilitar a aplicação a uma ampla gama de tarefas. Alguns trabalhos anteriores realizaram redes neurais programáveis usando materiais de mudança de fase, mas essa abordagem resultou em faixas dinâmicas limitadas.
“Embora as redes neurais profundas difrativas possam modular e processar com flexibilidade as ondas eletromagnéticas, sua falta de funções de ativação não linear também limita seu potencial para lidar com problemas mais complexos, como as operações lógicas exclusivas ou (XOR)”, disse Ma.
“Nossa SPNN programável proposta com base em dispositivos plasmônicos de superfície digital pode trazer algumas novas ideias para este campo. Dispositivos SSPP programáveis podem controlar ondas eletromagnéticas com arquitetura simples, baixo custo e alta eficiência, que é um potencial para a construção de redes neurais programáveis. Além disso, podemos usar um sistema de feedback de circuito fechado entre as portas de detecção e os circuitos de polarização do amplificador para realizar funções de ativação programáveis.”
No futuro, o SPNN desenvolvido por essa equipe de pesquisadores poderá ser usado para detectar e processar micro-ondas em larga escala, abrindo potencialmente novas possibilidades para comunicações sem fio 5G e 6G. Em contraste com algumas das soluções baseadas em ANN para detecção de micro-ondas introduzidas no passado, o SPNN pode modular diretamente ondas eletromagnéticas em velocidades que se aproximam da velocidade da luz.
Em seu artigo, o Prof. Cui, Ma e seus colegas mostraram que a mesma arquitetura também funciona bem em outras tarefas, por exemplo, classificando dígitos manuscritos com altos níveis de precisão. Em seus próximos trabalhos, eles planejam avaliar o SPNN em outras tarefas, além de aumentar sua complexidade para que possa lidar com problemas mais avançados.
“O protótipo implementado neste trabalho é baseado em uma rede totalmente neural 4×4, que é relativamente baixa”, acrescentou Ma. “A estrutura SPNN se assemelha a um sistema de circuito, o que significa que a escala das camadas SPNN pode ser ampliada sem aumentar a pegada do dispositivo. Por exemplo, uma forma estrutural cúbica pode ser criada para reduzir o tamanho físico do sistema parcialmente conectado, alcançando ultra-alta utilidade espacial no espaço tridimensional. Além disso, também podemos reduzir o tamanho da rede melhorando a banda de frequência operacional.”
Publicado em 27/05/2023 14h53
Artigo original:
Estudo original: