Na era digital de hoje, as tarefas computacionais tornaram-se cada vez mais complexas. Isso, por sua vez, levou a um crescimento exponencial da energia consumida pelos computadores digitais. Assim, é necessário desenvolver recursos de hardware que possam realizar computação em larga escala de forma rápida e com baixo consumo de energia.
A respeito disso, computadores ópticos, que usam luz em vez de eletricidade para realizar cálculos, são promissores. Eles podem potencialmente fornecer menor latência e consumo de energia reduzido, beneficiando-se do paralelismo que sistemas ópticos tenho. Como resultado, os pesquisadores exploraram vários projetos de computação óptica.
Por exemplo, uma óptica difrativa rede foi projetado por meio da combinação de óptica e aprendizado profundo para executar opticamente tarefas computacionais complexas, como classificação e reconstrução de imagens. Ele compreende uma pilha de camadas difrativas estruturadas, cada uma com milhares de recursos/neurônios difrativos. Essas camadas passivas são usadas para controlar as interações luz-matéria para modular a luz de entrada e produzir a saída desejada. Os pesquisadores treinam a rede difrativa otimizando o perfil dessas camadas usando deep learning Ferramentas. Após a fabricação do design resultante, essa estrutura atua como um módulo de processamento óptico autônomo que requer apenas uma fonte de iluminação de entrada para ser alimentada.
Até agora, os pesquisadores projetaram com sucesso redes difrativas monocromáticas (iluminação de comprimento de onda único) para implementar uma única transformação (multiplicação de matrizes). Mas é possível implementar muito mais transformações lineares simultaneamente? O mesmo grupo de pesquisa da UCLA que introduziu pela primeira vez as redes ópticas difrativas abordou recentemente essa questão. Em um estudo recente publicado na Fotônica avançada, eles empregaram um esquema de multiplexação de comprimento de onda em uma rede óptica difrativa e mostraram a viabilidade de usar um difrativo de banda larga processador para realizar operações de transformação linear massivamente paralelas.
O professor Aydogan Ozcan, do chanceler da UCLA, líder do grupo de pesquisa da Samueli School of Engineering, descreve brevemente a arquitetura e os princípios desse processador óptico: “Um processador óptico difrativo de banda larga tem campo de visão de entrada e saída com Ni e No pixels, respectivamente. Eles são conectados por sucessivas camadas difrativas estruturadas, feitas de materiais passivos transmissivos. Um grupo predeterminado de Nw comprimentos de onda discretos codificam as informações de entrada e saída. Cada comprimento de onda é dedicado a uma função de destino única ou transformação linear de valor complexo”, explica ele.
“Essas transformações de destino podem ser atribuídas especificamente para funções distintas, como classificação e segmentação de imagens, ou podem ser dedicadas à computação de diferentes operações de filtro convolucional ou camadas totalmente conectadas em uma rede neural. Todas essas transformações lineares ou funções desejadas são executadas simultaneamente na velocidade da luz, onde cada função desejada é atribuída a um comprimento de onda único. Isso permite que o processador óptico de banda larga compute com rendimento e paralelismo extremos.”
Os pesquisadores demonstraram que tal projeto de processador óptico multiplexado por comprimento de onda pode aproximar Nw transformações lineares únicas com um erro insignificante quando seu número total de recursos difrativos N é maior ou igual a 2NwNiNo. Esta conclusão foi confirmada para Nw > 180 transformações distintas através simulações numéricas e é válido para materiais com diferentes propriedades de dispersão. Além disso, o uso de um N maior (3NwNiNo) aumentou Nw além de cerca de 2000 transformações únicas que são todas executadas opticamente em paralelo.
Com relação às perspectivas desse novo design de computação, Ozcan diz: “Esses processadores difrativos massivamente paralelos e multiplexados por comprimento de onda serão úteis para projetar sistemas de visão de máquina inteligentes de alto rendimento e processadores hiperespectrais e podem inspirar inúmeras aplicações em vários campos, incluindo imagens biomédicas, sensoriamento remoto, química analítica e ciência dos materiais”.
