Uma Nova Abordagem em Machine Learning: A Revolução do ‘Optical Neural Engine’
Pesquisas recentes revelam que novas técnicas de machine learning podem ser aplicadas para resolver equações diferenciais parciais (PDEs) de forma mais eficiente, utilizando um motor neural óptico desenvolvido na Universidade de Utah.
Contexto da pesquisa
As equações diferenciais parciais são ferramentas matemáticas fundamentais para simulação de sistemas físicos complexos. No entanto, as técnicas computacionais tradicionais para resolvê-las são ineficientes e demandam robustos recursos computacionais, tornando o processo demorado e oneroso.
Método proposto
O motor neural óptico, ou ‘ONE’ (do inglês Optical Neural Engine), utiliza redes neurais ópticas e multiplicadores de matrizes ópticas. A inovação reside em representar as PDEs não digitalmente, mas sim através das propriedades da luz, como intensidade e fase. Este modelo se assemelha a redes neurais digitais, mas opera em dispositivos fotônicos, acelerando drasticamente a resolução das equações. Como explicado pelos pesquisadores, “o ONE pega os dados espaciais e temporais de uma quantidade física de entrada para prever os dados de saída” (The ONE takes the spatiotemporal data of an input physical quantity to predict the spatiotemporal data of an output physical quantity).
— Weilu Gao, Professor Assistente, Universidade de Utah
Resultados e impacto
Os testes demonstraram a eficácia do ONE em diversos tipos de PDEs, como a equação de fluxo de Darcy e a equação de Navier-Stokes, que trata do movimento de fluidos. O motor neural provou ser capaz de prever propriedades de fluxo a partir de dados sobre permeabilidade e pressão, eliminando a necessidade de experimentação direta. “Esta pesquisa oferece uma plataforma versátil e poderosa para computação científica e engenharia em larga escala”, afirmou Gao.
— Weilu Gao, Professor Assistente, Universidade de Utah
Os pesquisadores destacam que, em comparação com técnicas eletrônicas, o ONE não só acelera o processo de machine learning, como também consome menos energia. Essa abordagem promete grandes avanços na computação científica, especialmente nas áreas de geologia e design de chips.
As próximas etapas envolvem a aplicação desse motor em contextos ainda mais variados, explorando sua capacidade em resolver outros tipos de problemas complexos no campo da física e da engenharia.
Fonte: (TechXplore – Machine Learning & AI)
