Temporal speckle enables probabilistic weights for uncertainty-aware photonic AI
Questo articolo introduce un processore fotonico ultrafast che sfrutta lo speckle temporale della luce a banda larga per codificare nativamente pesi probabilistici, superando così i colli di bottiglia computazionali delle reti neurali bayesiane digitali e abilitando un'IA ad alta velocità e consapevole dell'incertezza, capace di classificazione simultanea e rilevamento fuori distribuzione.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di cercare di insegnare a un robot a riconoscere diversi tipi di frutta. Gli mostri migliaia di foto di mele, banane e arance. Alla fine, il robot diventa bravissimo nel riconoscerle. Ma cosa succede se gli porgi la foto di un kiwi? Un robot standard potrebbe socchiudere gli occhi, indovinare "banana" e dire: "Ne sono sicuro al 100%", con totale convinzione, anche se è completamente sbagliato. Questo è un grande problema per i lavori critici per la sicurezza, come le auto a guida autonoma o la diagnosi medica, dove essere sicuri di aver sbagliato può essere pericoloso.
Per risolvere questo problema, gli scienziati usano qualcosa chiamato "reti neurali bayesiane". Pensa a queste non come a un singolo cervello robotico, ma a una squadra di esperti che hanno tutti opinioni leggermente diverse. Invece di memorizzare una risposta esatta per ogni immagine, imparano un intervallo di possibilità. Quando vedono una nuova immagine, chiedono a tutta la squadra: "Cosa ne pensate?". Se tutti sono d'accordo, il robot è sicuro. Se la squadra discute, il robot sa: "Non sono sicuro di questo", e può chiedere aiuto. Il problema è che far parlare un'intera squadra di esperti su un computer normale è incredibilmente lento e consuma molta energia. È come cercare di tenere una riunione massiccia in una stanza minuscola; gli ingorghi rallentano tutto.
È qui che interviene un team di ricercatori dell'Università di Heidelberg e dell'EPFL con un tocco geniale. Hanno chiesto: "E se non usassimo un computer per simulare queste diverse opinioni, ma usassimo la luce stessa per fare il ragionamento?". Nella loro nuova ricerca, dimostrano che possono usare il naturale e caotico sfarfallio della luce per rappresentare queste opinioni incerte istantaneamente.
Ecco come hanno fatto. Hanno preso un fascio di "luce caotica", che è semplicemente luce che sfarfalla casualmente, come una lampadina che sta per bruciarsi. Di solito, gli scienziati cercano di eliminare questo sfarfallio perché è rumore. Ma questo team ha capito che lo sfarfallio è in realtà un superpotere. Hanno usato uno strumento speciale per tagliare la luce in diversi colori (frequenze). Per ogni colore, potevano controllare due cose: quanto fosse luminoso e quanto fosse ampia la sua banda di colore.
Hanno scoperto una regola magica: la luminosità di un colore specifico determinava l'opinione "media" del robot, mentre la larghezza della banda di colore determinava quanto quell'opinione fosse "incerta" o "agitata". Una banda stretta significava un'opinione costante e sicura. Una banda larga significava un'opinione agitata e incerta. Poiché la luce si muove incredibilmente velocemente, potevano avere migliaia di queste "opinioni" che sfarfallano contemporaneamente, tutte racchiuse in un unico fascio.
Il team ha costruito un piccolo chip che funge da nastro trasportatore super veloce per queste opinioni luminose. Hanno programmato la luce per rappresentare un problema matematico chiamato "convoluzione" (che è solo un modo elegante per mescolare i dati, come mescolare gli ingredienti in una ricetta). Mentre la luce viaggia attraverso il chip, i diversi colori vengono ritardati di piccole quantità in modo che si allineino perfettamente per eseguire il calcolo. Il risultato? Il chip poteva eseguire uno di questi calcoli probabilistici ogni 37,5 picosecondi. Per dare un termine di paragone, un picosecondo è un millionesimo di miliardesimo di secondo (un trilionesimo di secondo). Questo è miliardi di volte più veloce di ciò che i computer standard possono fare per questo specifico tipo di pensiero incerto.
Hanno testato il loro "cervello di luce" su due compiti del mondo reale. Primo, hanno mostrato delle immagini di cellule del sangue. Il sistema era stato addestrato su sette tipi di cellule, ma non gli era mai stata mostrata una tipologia specifica chiamata "eritroblasto". Quando gli hanno mostrato un eritroblasto, il cervello di luce non si è limitato a indovinare; è diventato "agitato". Le diverse opinioni nel fascio di luce erano in disaccordo tra loro, segnalando un'alta incertezza. Il sistema ha correttamente segnalato l'immagine come "Non so cos'è questo", invece di etichettarla erroneamente con sicurezza.
In seguito, hanno testato il sistema su numeri scritti a mano (il famoso dataset MNIST). Hanno mostrato numeri normali, numeri che sembravano articoli di moda (che il sistema non aveva mai visto) e numeri disegnati così male che potevano essere due cifre diverse contemporaneamente. Il cervello di luce ha separato con successo queste tre situazioni: era sicuro sui numeri normali, incerto sugli articoli di moda (perché erano nuovi) e confuso sui disegni ambigui (perché l'immagine stessa era poco chiara).
L'articolo dimostra che, usando le fluttuazioni naturali della luce, possiamo costruire un'IA che non si limita a indovinare, ma sa quando sta indovinando. È un passo verso macchine che non sono solo veloci, ma anche abbastanza umili da ammettere quando non sono sicure, ed è esattamente ciò di cui abbiamo bisogno affinché l'IA sia sicura e affidabile nel mondo reale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.