Motor neural óptico junta computação com luz e redes neurais

Redação do Site Inovação Tecnológica - 23/06/2025

À medida que uma onda codificada com uma equação diferencial parcial passa pela série de componentes, suas propriedades mudam e se transformam gradualmente, até finalmente representar a solução para aquela equação.
[Imagem: Gao Lab/University of Utah]

Computação óptica

A computação fotônica, ou computação com luz em vez de eletricidade, não está para brincadeiras - os processadores de luz já fazem todos os cálculos necessários para IA, por exemplo, e fazem isto com 100% de precisão.

Mas é tudo muito novo, e ainda não sabemos exatamente quais plataformas de luz ou quais processadores fotônicos vão dominar. Uma das alternativas se baseia nas redes neurais convolucionais, gravadas em múltiplas camadas sensíveis à luz, que resolvem instantaneamente conjuntos de equações muito complexas, como as equações diferenciais parciais. E essas são equações importantes para um sem-número de problemas práticos, mas que são muito intensivas em computação quando se usam os computadores digitais.

Yingheng Tang e colegas da Universidade de Utah, nos EUA, criaram agora o que eles chamam de "motor neural óptico", uma arquitetura que combina redes neurais ópticas difrativas e multiplicadores ópticos de matrizes.

Em vez de representar as equações diferenciais parciais digitalmente, elas são representadas na forma de variações nas propriedades ópticas de um material, uma placa construída usando as técnicas dos metamateriais. Várias dessas placas são então colocadas em série, compondo o que os pesquisadores chamam de uma rede metatrônica - cada rede é talhada para resolver uma equação.

As variáveis, por sua vez, são representadas pelas diversas propriedades de uma onda de luz, como sua intensidade e fase. À medida que uma onda passa pela série de componentes ópticos da equação diferencial parcial, essas propriedades mudam e se modificam gradualmente, até que, finalmente, emergem do outro lado da estrutura representando a solução para a equação fornecida na entrada.

Uso do dispositivo óptico na resolução das equações de Navier-Stokes e Maxwell.
[Imagem: Yingheng Tang et al. - 10.1038/s41467-025-59847-3]

Resolvendo equações com luz

As técnicas de aprendizado de máquina e redes neurais digitais atualmente utilizadas para resolver equações diferenciais parciais envolvem a passagem da equação por uma rede de nós computacionais, cada um dos quais pondera sua saída à medida que a passa para o nó seguinte. À medida que o sinal percorre a rede, a solução correta passa a ser ponderada com mais intensidade e acaba sendo a saída.

A diferença agora é que tudo foi feito com os dispositivos fotônicos, as diferentes camadas que lidam de modo diferente com a luz que as atravessa, que a equipe chama de ONE (Optical Neural Engine), fazendo o que é essencialmente uma computação analógica.

"O ONE usa os dados espaço-temporais de uma grandeza física de entrada, que são uma função de posições e tempo, para prever os dados espaço-temporais de uma grandeza física de saída como uma função de posições e tempo," explicou o professor Weilu Gao.

A equipe demonstrou as capacidades do ONE em diversas equações parciais diferenciais, incluindo a equação de fluxo de Darcy, a equação magnetostática de Poisson em desmagnetização e a equação de Navier-Stokes em fluido incompressível.

"A equação de fluxo de Darcy, por exemplo, descreve o fluxo de um fluido através de um meio poroso," detalhou Gao. "Com dados sobre a permeabilidade e os campos de pressão dentro de um determinado meio, a arquitetura ONE essencialmente aprende o mapeamento entre essas qualidades e pode prever as propriedades do fluxo sem precisar fazer experimentos."

A previsão é que o aparato tenha usos imediatos em uma série de áreas, das pesquisas básicas às aplicações de engenharia. "Esta pesquisa oferece uma plataforma versátil e poderosa para computação científica e de engenharia em larga escala, como geologia e projeto de chips," disse Gao.

Mais tópicos