Pesquisas recentes sobre machine learning estão revolucionando a maneira como a inteligência artificial (AI) lida com dados, focando em modelos que exigem menos energia e oferecem maior eficiência no processamento.
Contexto da pesquisa
No coração da inovação, cientistas do Politecnico di Milano, em colaboração com outras instituições renomadas, exploram redes neurais físicas. Com o aumento da complexidade dos modelos de AI, a demanda por capacidade computacional mais robusta cresce rapidamente, superando as limitações dos computadores tradicionais. Esta pesquisa, publicada na revista Nature, destaca o potencial de circuitos analógicos que utilizam as propriedades da luz para processar informações.
Método proposto
A abordagem envolve o uso de chips fotônicos, que realizam operações matemáticas, como somas e multiplicações, através de mecanismos de interferência de luz em microchips de silício, com apenas alguns milímetros quadrados. “Ao eliminar as operações necessárias para a digitalização da informação, nossos chips fotônicos permitem cálculos com uma redução significativa tanto no consumo de energia quanto no tempo de processamento,” afirma Francesco Morichetti, professor do DEIB.
“Com nossa pesquisa, desenvolvemos uma técnica de treinamento ‘in-situ’ para redes neurais fotônicas, ou seja, sem passar por modelos digitais. O procedimento é realizado inteiramente com sinais de luz.”
(“With our research, we have helped develop an ‘in-situ’ training technique for photonic neural networks, i.e. without going through digital models. The procedure is carried out entirely using light signals.”)— Francesco Morichetti, Professor, Politecnico di Milano
Resultados e impacto
Graças a este novo método, o treinamento de redes neurais não só se torna mais rápido, mas também mais robusto e eficiente. A capacidade de processar dados em tempo real permitirá o desenvolvimento de modelos mais sofisticados em aplicações como veículos autônomos e sensores inteligentes, eliminando a necessidade de processamento remoto. Este avanço representa um passo significativo rumo a uma AI mais sustentável, especialmente considerando a alta energia consumida por data centers tradicionais.
Em resumo, a pesquisa sobre redes neurais físicas não apenas altera o paradigma do machine learning, mas também abre caminho para o futuro da inteligência artificial em dispositivos portáteis e aplicações em tempo real, promovendo um uso mais eficiente da energia.
Fonte: (TechXplore – Machine Learning & AI)
