Prima di procedere
Una svolta epocale nel campo dell'intelligenza artificiale (IA) è stata compiuta da un team di ricercatori dell'Università di Xidian, che ha sviluppato un sistema di calcolo neuromorfo fotonico in grado di eseguire l'apprendimento con rinforzo interamente basato sulla luce. Questa innovazione elimina la necessità di convertire i segnali luminosi in impulsi di corrente elettrica per le operazioni chiave, superando i limiti delle precedenti reti neurali fotoniche.
La conversione dei segnali tra fotoni ed elettroni comporta perdite significative di energia e tempo, un problema critico per applicazioni in tempo reale come la robotica. La nuova tecnologia promette di ridurre drasticamente queste perdite, aprendo la strada a chip fotonici universali per il calcolo complesso e l'addestramento di robot e sistemi di guida autonoma.
Il prototipo ottico a due chip sviluppato dai ricercatori affronta tre sfide principali: la mancanza di array su larga scala di neuroni spikanti fotonici non lineari con una soglia di attivazione bassa, l'impossibilità di creare chip di reti spikanti completamente programmabili (tradizionalmente 'rigidi' e programmati a livello hardware) e, di conseguenza, l'assenza di una implementazione hardware dell'apprendimento con rinforzo fotonico. Il nuovo sistema supera con successo queste limitazioni.
Il sistema, presentato sulla rivista Optica, è composto da un chip neuromorfo fotonico a 16 canali con 272 parametri addestrabili, basato su una matrice di 16x16 interferometri di Mach-Zehnder, e da un chip con un array di laser a feedback con un assorbitore saturabile per una bassa soglia di attivazione non lineare degli spike. È stato inoltre sviluppato un framework hardware-software: il modello viene prima addestrato in un pacchetto software, poi sui chip, e infine perfezionato tenendo conto delle specificità dell'implementazione hardware.
I test sono stati condotti su compiti classici come CartPole (bilanciamento di un'asta su un carrello) e Pendulum (oscillazione di un pendolo dalla posizione verticale e successiva stabilizzazione). I risultati hanno mostrato una minima perdita di precisione: solo l'1,5% per CartPole e il 2% per Pendulum rispetto al modello puramente software. Sul compito CartPole è stata raggiunta una performance ideale, mentre sul compito più complesso Pendulum è stato ottenuto un buon risultato.
Le prestazioni del sistema sono notevoli: l'efficienza energetica dei calcoli lineari ha raggiunto 1,39 TOPS/W con una densità di 0,13 TOPS/mm², mentre per i calcoli non lineari si sono ottenuti 987,65 GOPS/W e 533,33 GOPS/mm². La latenza di calcolo sul chip è di soli 320 picosecondi. Questi valori collocano il sistema ottico nella stessa classe delle GPU in termini di efficienza energetica (1 TOPS/W) e densità di calcolo (0,1-0,5 TOPS/mm²), ma con il vantaggio di un'elaborazione completamente ottica che elimina le perdite dovute alla conversione dei segnali. Il sistema dimostra un apprendimento rapido attraverso una serie di tentativi ed errori in tempo reale.
Questa innovazione apre nuove prospettive per la guida autonoma, l'intelligenza integrata nei robot e il calcolo periferico, dove sono richieste latenze estremamente basse e un consumo energetico minimo. In futuro, gli autori intendono ampliare il sistema a un chip a 128 canali per compiti più complessi, come la navigazione autonoma neuromorfa, e creare chip neuromorfi fotonici ibridi integrati compatti. Questo rappresenta un passo fondamentale verso un'IA efficiente dal punto di vista energetico, basata su impulsi di luce, con un potenziale impatto trasformativo su numerosi settori.
