Computación fotónica busca optimizar la eficiencia de la IA

La investigación, liderada por el profesor asistente Uğur Teğin, se centra en el desarrollo de dos sistemas experimentales de computación fotónica. Estos aprovechan las propiedades físicas de la luz para realizar cálculos que habitualmente requerirían procesadores electrónicos, según detalla un informe de Hackster.io. El objetivo es utilizar la capacidad de la luz para procesar múltiples flujos de información de forma simultánea, transformando los datos en patrones que los algoritmos de aprendizaje automático puedan clasificar con mayor facilidad.

El primer sistema, desarrollado por Teğin y la estudiante de máster Fatma Nur Kılınç, es una red neuronal óptica programable. Su diseño permite procesar imágenes a color sin desechar información, a diferencia de los métodos convencionales que a menudo convierten las imágenes a escala de grises para simplificar el cálculo, perdiendo datos útiles de los canales rojo, verde y azul. Este sistema emplea un modulador de luz espacial (SLM) que codifica los datos de los tres canales de color. Mediante una serie de transformaciones ópticas, la información se combina a través de interferencia y difracción, y los patrones de luz resultantes son capturados por una cámara y procesados por un clasificador electrónico. Las pruebas mostraron mejoras significativas en la precisión de clasificación: del 68% al 98% en el conjunto de datos HAM10000 (lesiones cutáneas) y del 34% al 79% en el STL-10 (imágenes naturales). Además, el equipo desarrolló técnicas de optimización para que el hardware óptico se adapte a las imperfecciones físicas.

El segundo estudio, de diferente aproximación, utiliza un láser de fibra multimodo como procesador físico. En lugar de elementos ópticos programables, este sistema aprovecha las interacciones complejas entre distintos modos de luz dentro de una cavidad láser. Las imágenes se codifican como patrones de fase mediante un SLM y se inyectan en la cavidad. A medida que la luz circula, la interferencia y la saturación de ganancia no lineal transforman la entrada en un patrón de intensidad distintivo que un algoritmo de aprendizaje automático relativamente simple puede clasificar. Las pruebas en conjuntos de datos como residuos reciclables, imágenes satelitales, escaneos de retina y lesiones cutáneas arrojaron precisiones de clasificación entre el 85% y el 99%. Este clasificador electrónico requirió entre 2.500 y 10.000 parámetros entrenables, una cifra significativamente menor en comparación con los millones que suelen emplearse en las redes neuronales profundas convencionales.

Ambos sistemas se encuentran en fase experimental y aún requieren componentes electrónicos para el control del hardware y la interpretación de los resultados. Sin embargo, la investigación demuestra la viabilidad de realizar operaciones de aprendizaje automático computacionalmente intensivas directamente con luz. Con un desarrollo adicional, esta metodología podría reducir la necesidad de procesamiento electrónico en aplicaciones de IA, abriendo la puerta a hardware informático más rápido y energéticamente eficiente.