Immagine copertina generata con l’intelligenza artificiale
L’intelligenza artificiale potrebbe affidare una parte crescente delle proprie operazioni alla luce, anziché ai tradizionali circuiti elettronici. È la prospettiva esplorata da due studi condotti da Uğur Teğin, docente del Dipartimento di Ingegneria elettrica ed elettronica della Koç University, in Turchia. Le ricerche mostrano come la computazione fotonica possa essere utilizzata per elaborare informazioni destinate ai sistemi AI, con risultati promettenti nella classificazione delle immagini e nel machine learning. L’obiettivo è sviluppare architetture capaci di contribuire a un’intelligenza artificiale più veloce ed efficiente sul piano energetico.
Perché l’intelligenza artificiale ha bisogno di nuovi sistemi di calcolo
La crescente diffusione dell’AI sta facendo aumentare la domanda di potenza computazionale e di energia. Addestrare i modelli e utilizzarli per elaborare informazioni richiede infrastrutture sempre più capaci, rendendo necessario esplorare alternative alle architetture elettroniche convenzionali.
In questo scenario, la luce offre caratteristiche interessanti: a differenza dei segnali elettrici, può trasportare ed elaborare più flussi di informazioni contemporaneamente. La computazione ottica cerca di sfruttare questa proprietà per affrontare operazioni complesse, trasferendo parte del lavoro dai processori tradizionali a dispositivi che utilizzano fenomeni fisici legati alla propagazione della luce.
Una rete neurale ottica che conserva i colori delle immagini
Il primo studio, pubblicato su Communications Engineering e realizzato da Teğin insieme alla studentessa magistrale Fatma Nur Kılınç, presenta una rete neurale fotonica programmabile. Il sistema utilizza la luce per trasformare le informazioni contenute nelle immagini in rappresentazioni più semplici da classificare, senza eliminare i dati relativi ai colori.
Molti sistemi convenzionali convertono infatti le immagini a colori in scala di grigi, perdendo potenzialmente informazioni presenti nei canali rosso, verde e blu. L’architettura sviluppata alla Koç University mantiene invece questi tre canali e li elabora simultaneamente, mettendo in evidenza caratteristiche come colore, forma e consistenza.
Le informazioni vengono codificate in un dispositivo programmabile che controlla la propagazione della luce. Il risultato dell’elaborazione viene poi acquisito da una telecamera e utilizzato per individuare la categoria dell’immagine. In un esperimento dedicato alla classificazione delle malattie dermatologiche, l’accuratezza è aumentata dal 68% al 98% dopo il trattamento ottico, rispetto all’utilizzo diretto dei pixel a colori.
Un laser a fibra diventa un processore fisico per il machine learning
La seconda ricerca, pubblicata su Communications Physics, esplora una strada differente. Insieme a Teğin hanno lavorato le studentesse magistrali Dilem Eşlik e Fatma Nur Kılınç e lo studente universitario Bahadır Utku Kesgin.
Il gruppo ha utilizzato un laser a fibra multimodale come processore fisico per il machine learning. Le informazioni visive vengono codificate nella luce e elaborate all’interno della cavità laser, generando configurazioni ottiche che facilitano la classificazione.
In questo caso, una parte dei calcoli non viene eseguita direttamente dal software, ma dalle dinamiche fisiche del laser. Il sistema è stato testato su diversi insiemi di dati, comprendenti immagini di rifiuti riciclabili, informazioni meteorologiche, immagini satellitari, scansioni della retina e fotografie di lesioni cutanee.
L’accuratezza ottenuta è compresa tra l’85% e il 99%, a seconda dei dati utilizzati, ricorrendo a un metodo di classificazione semplice. Poiché il laser svolge una parte consistente dell’elaborazione, l’architettura richiede inoltre molti meno parametri addestrabili rispetto ai modelli convenzionali di deep learning.
I vantaggi della computazione ottica e le sfide ancora aperte
I due studi evidenziano potenzialità complementari. La rete neurale fotonica dimostra come sia possibile elaborare dati multidimensionali preservando informazioni importanti, mentre il processore basato sul laser sfrutta direttamente le proprietà fisiche del dispositivo per svolgere una parte del lavoro computazionale.
Un altro aspetto rilevante riguarda la capacità della rete neurale ottica di adattarsi alle imperfezioni dell’hardware. Disallineamenti, difetti di fabbricazione e altre caratteristiche fisiche possono allontanare il comportamento reale di un sistema da quello previsto nelle simulazioni. L’apprendimento basato sulle misurazioni sperimentali permette di adattarsi a queste condizioni non ideali, senza richiedere un modello informatico perfettamente accurato.
Restano tuttavia alcuni limiti: entrambi i sistemi utilizzano ancora componenti elettronici, tra cui telecamere e unità di controllo. Non si tratta quindi di architetture completamente indipendenti dall’elettronica.
Le prospettive per un’intelligenza artificiale più efficiente
Per aumentare il contributo della luce nei processi computazionali saranno importanti lo sviluppo di dispositivi capaci di controllarla ad alta velocità e la realizzazione di sistemi ottici compatti, integrabili direttamente su chip.
Questi progressi potrebbero consentire alla computazione fotonica di assumere una quota maggiore delle operazioni oggi affidate ai processori elettronici. Le ricerche della Koç University indicano così una possibile direzione per lo sviluppo dell’hardware AI: utilizzare le proprietà fisiche della luce per alleggerire il carico computazionale, con l’obiettivo di ottenere sistemi più rapidi, efficienti e sostenibili.
Fonte: TechXplore
