Crédito CC0:domínio público
Uma equipe de pesquisadores da Universidade da Califórnia desenvolveu um novo tipo de rede neural - que usa luz em vez de eletricidade para chegar aos resultados. Em seu artigo publicado na revista Ciência , o grupo descreve suas ideias, seu dispositivo de trabalho, seu desempenho, e os tipos de aplicativos que eles acreditam que poderiam ser bem atendidos por essa rede.
Redes de aprendizagem profunda são sistemas de computador que "aprendem" examinando muitos exemplos de tipos de dados e, em seguida, usam padrões que se desenvolvem como uma forma de fazer interpretações de novos dados. Como todos os outros computadores, eles funcionam com eletricidade. Neste novo esforço, os pesquisadores descobriram uma maneira de criar uma rede de aprendizagem profunda que não usa eletricidade, em vez disso, ele usa luz. Eles a chamam de rede neural profunda difrativa, ou mais sucintamente, D 2 NN.
Para construir essa rede, os pesquisadores criaram pequenas placas de plástico impressas em uma impressora 3-D. Cada placa representava uma camada de neurônios virtuais - e cada neurônio poderia se comportar como sua contraparte biológica, transmitindo ou refletindo a luz que entra. Em seu exemplo, eles usaram cinco pratos alinhados face a face com um pequeno espaço entre eles. Quando o sistema estava operando, a luz de um laser foi direcionada para a primeira placa e fez o seu caminho para a segunda, terceiro, quarto e quinto de uma forma que revelou informações sobre um objeto colocado na frente do dispositivo. Um sensor na parte de trás leu a luz e interpretou o que foi encontrado.
Para testar a ideia deles, os pesquisadores optaram por criar uma rede neural física capaz de reconhecer os numerais de zero a nove, e então relatar o que encontrou. Na prática, o sistema viu um número em um display e respondeu identificando o número e, em seguida, exibindo-o usando o sensor. O sistema foi alimentado com 55, 000 imagens de números que foram digitalizados. Essa fase de aprendizado exigia o uso de eletricidade enquanto funcionava em um computador que alimentava o sistema com os dados. Ao testar seu sistema, mostrando-lhe milhares de números, os pesquisadores relataram que era aproximadamente 95 por cento preciso. Eles observam que seu dispositivo foi uma prova de conceito e pode ser útil como meio de desenvolver dispositivos dedicados para aplicativos que exigem velocidade - como escolher rostos em meio a uma multidão de pessoas em movimento.
© 2018 Tech Xplore
