Pesquisadores da Universidade Politécnica do Noroeste e da Universidade do Sudeste, na China, desenvolveram uma rede neural fotônica que elimina a dependência de cálculos digitais e utiliza diretamente as propriedades físicas da luz para processar informações. O projeto foi publicado na revista Advanced Photonics Nexus e aponta uma nova direção no desenvolvimento de hardware para inteligência artificial.
A inovação se baseia em um modelo chamado “rede neural multissinapse fotônica”, que rompe com a abordagem tradicional das redes neurais baseadas em luz. Diferente de sistemas anteriores, que treinam os modelos digitalmente e depois transferem os parâmetros para o hardware óptico, o novo método evita esse processo, que costuma introduzir erros em várias etapas — como na modelagem matemática, no arredondamento de valores e na fabricação dos componentes.
Ao eliminar essas conversões, o sistema alcança maior precisão e eficiência, destacando-se em tarefas de classificação de imagens. A estrutura da rede é inspirada no conceito de Extreme Learning Machine (ELM) e utiliza múltiplos caminhos ópticos para conectar camadas de entrada e ocultas. Esses caminhos funcionam como sinapses, permitindo a propagação das informações sem conversões digitais.
Para executar o processamento, o sistema projeta imagens de entrada através de moduladores de luz espacial, que geram diferentes padrões ópticos. Esses padrões são então capturados por câmeras e convertidos em sinais elétricos. Os dados resultantes seguem diretamente para o processo de classificação, sem passarem por modelagens matemáticas convencionais.
Os pesquisadores testaram o desempenho da nova rede em três conjuntos de dados amplamente utilizados para avaliar sistemas de reconhecimento visual: MNIST (dígitos manuscritos), Fashion-MNIST (imagens de roupas) e CIFAR-10 (objetos em imagens coloridas). Em todos os testes, a rede neural fotônica apresentou desempenho superior às redes neurais digitais tradicionais e à maioria dos sistemas baseados em hardware já desenvolvidos.
O destaque foi mais evidente nas tarefas com maior complexidade, como a classificação das imagens do CIFAR-10. Segundo os autores do estudo, isso demonstra que a abordagem baseada em transformações ópticas físicas pode escalar com eficiência mesmo diante de desafios computacionais maiores.
Um dos diferenciais do sistema é a geração aleatória de neurônios ocultos por meio da luz, sem o uso de equações. Essa aleatoriedade física substitui simulações computacionais e evita imprecisões decorrentes da digitalização. O resultado é um modelo que processa dados com velocidade e precisão elevadas, mantendo baixo consumo de energia — uma das principais vantagens da computação fotônica.
Além da arquitetura inovadora, os pesquisadores destacaram a importância da conexão multissináptica, que amplia a capacidade do sistema de extrair características dos dados. Em vez de depender da adição de camadas ou do ajuste de parâmetros numéricos, o sistema utiliza caminhos ópticos paralelos para enriquecer o fluxo de informações.
A estrutura multissinapse também abre espaço para aplicações além da computação com luz. Os princípios podem ser adaptados para outros tipos de redes neurais físicas, inclusive em sistemas que não utilizam óptica, o que sugere um potencial mais amplo para a abordagem em diferentes contextos de hardware para IA.
Com a tendência crescente de migração da inteligência artificial para dispositivos físicos — como sensores, automóveis autônomos e dispositivos vestíveis —, soluções como essa podem tornar-se centrais no desenvolvimento de sistemas embarcados mais rápidos e eficientes. A substituição do processamento digital por processamento físico pode representar uma mudança significativa na forma como a inteligência artificial será implementada no futuro.
A pesquisa reforça a possibilidade de construção de redes neurais que operam fora dos limites das simulações digitais, utilizando a luz como ferramenta principal de cálculo. A adoção de transformações físicas como mecanismo de processamento, aliada à arquitetura multissináptica, pode representar um novo paradigma na computação de alto desempenho.
Com base nos resultados obtidos, os autores do estudo indicam que o próximo passo será o aprimoramento da integração entre os componentes ópticos e a expansão da técnica para tarefas mais amplas. O objetivo é validar o modelo em ambientes reais de operação e avaliar sua escalabilidade industrial.
A proposta representa mais um avanço na busca por soluções que combinem velocidade, precisão e eficiência energética na computação. A utilização direta das propriedades da luz, sem depender de traduções para o domínio digital, pode se tornar um elemento-chave na evolução dos sistemas de inteligência artificial no mundo físico.
