Resumo Técnico: HAMON – Mistura Óptica Passiva de Sequências para Previsão de Longo Horizonte

Declaração do Problema

A previsão de séries temporais de longo horizonte tem dependido tradicionalmente de arquiteturas de aprendizagem profunda, particularmente Transformers, que utilizam representações densas e sobrepostas e multiplicação de matrizes digitais. No entanto, evidências recentes sugerem que o desempenho competitivo em benchmarks padrão não exige necessariamente essas características não lineares complexas. Modelos lineares leves (ex: DLinear) e modelos no domínio da frequência (ex: FITS) demonstraram que o operador central de previsão é frequentemente de baixa complexidade e aproximadamente linear.

Esta observação levanta uma questão fundamental sobre o substrato computacional: se a operação central de previsão é essencialmente uma mistura linear de componentes temporais ou espectrais, ela deve ser implementada via aritmética digital aprendida? O artigo postula que operadores lineares, que são computacionalmente caros em silício (exigindo operações de multiplicar-acumular), podem ser realizados "de graça" por meios físicos passivos, especificamente pela propagação de luz coerente governada pela óptica de Fourier.

Metodologia

Os autores introduzem o HAMON (Mistura Óptica Passiva de Sequências), uma arquitetura de previsão que substitui a camada digital de mistura de sequências por um núcleo óptico difrativo passivo.

Arquitetura Central

O HAMON reformula a tarefa de previsão como um problema de difração:

1. Codificação de Entrada: Uma série temporal multivariada histórica $x \in \mathbb{R}^{L \times C}$ é normalizada (usando normalização de instância reversível, RevIN) e codificada em uma abertura óptica unidimensional de largura $G$.
   • Codificação de Amplitude: Valores normalizados definem diretamente a amplitude do campo.
   • Codificação de Fase: A abertura possui magnitude unitária, e valores normalizados modulam a fase ($e^{i\alpha \pi x}$).
   • As posições "futuras" na abertura são deixadas escuras (intensidade zero).
2. Núcleo Óptico Passivo: O campo de entrada propaga-se através de uma série de $N$ máscaras de fase em cascata separadas por distâncias de propagação de espaço livre $z$.
   • Máscaras de Fase: Cada camada $\ell$ aplica um deslocamento de fase $\phi_\ell$ via multiplicação elemento a elemento: $U \leftarrow U \odot \exp(i\phi_\ell)$.
   • Propagação: Entre as máscaras, o campo propaga-se usando o método do espectro angular (óptica de Fourier), simulando difração e interferência.
   • Leitura (Readout): O campo é propagado para um plano de leitura. A previsão é extraída da região inicialmente escura correspondente aos passos de tempo futuros.
     • Leitura Coerente: Utiliza a parte real do campo complexo.
     • Leitura de Intensidade: Utiliza a magnitude ao quadrado $|U|^2$.
     • Leitura de Intensidade Diferencial: Subtrai intensidades de duas regiões escuras para produzir uma saída assinada compatível com detectores padrão.
3. Processamento de Saída: A leitura é desnormalizada para produzir a previsão final $y \in \mathbb{R}^{H \times C}$.

Treinamento

O sistema é treinado via retropropagação digital através de um simulador de óptica de onda diferenciável. Os parâmetros treináveis são exclusivamente os perfis de fase das máscaras $\{\phi_\ell\}_{\ell=1}^N$. A função de perda combina o Erro Quadrático Médio (MSE) na previsão com um termo de retrovisão (backcast) auxiliar para reconstruir o histórico de entrada. Nenhum cabeçalho de previsão linear digital é aplicado após o núcleo óptico.

Principais Contribuições

1. Substituição de Substrato: O HAMON demonstra que o operador de mistura de sequências em previsores competitivos pode ser movido do silício digital para a luz passiva. Ele substitui a camada linear digital aprendida por um operador de propagação difrativa treinável.
2. Inferência Passiva: Ao contrário de outras redes neurais ópticas que dependem de reservatórios não lineares ou cabeçalhos de leitura digitais, o HAMON realiza toda a computação de mistura de sequência via uma única passagem de propagação óptica passiva.
3. Design Consciente de Hardware: A arquitetura é projetada com restrições de hardware em mente, oferecendo variantes (Phase/Differential-Intensity) que são compatíveis com detectores de intensidade padrão, evitando a necessidade de leitura de amplitude coerente.
4. Validação Mecanística: Através de estudos de ablação (embaralhamento de fase, variações de interface) e verificações cruzadas de simulador (TorchOptics), os autores verificam que a capacidade de previsão surge do campo óptico portador de dados e da física da difração, não das condições de contorno digitais.

Resultados Experimentais

O HAMON foi avaliado em benchmarks padrão de previsão de longo horizonte (ETT, Weather, Electricity, Traffic) com horizonts de previsão $H \in \{96, 192, 336, 720\}$ e um olhar retrospectivo (lookback) de $L=336$.

• Desempenho:
  • ETTm2: O HAMON superou as bases digitais mais fortes (incluindo PatchTST e DLinear) em todos os horizontes, melhorando o MSE em até 14%.
  • ETTh2: Superou as bases em todos os horizontes, exceto o mais longo (720).
  • Outros Datasets: O HAMON foi competitivo em Weather e ficou atrás das bases mais fortes em ETTh1, ETTm1, Electricity e Traffic.
• Variantes de Leitura: A variante "HAMON-DiffInt" (codificação de fase + leitura de intensidade diferencial), compatível com detectores, permaneceu competitiva com a variante de leitura coerente, melhorando particularmente o desempenho em ETTm1 e Weather.
• Ablações:
  • Embaralhamento de Fase: Zerar, embaralhar ou inverter o sinal da fase de entrada degradou significamente o desempenho, confirmando que o modelo depende da estrutura de fase temporal dos dados.
  • Profundidade: Aumentar as camadas de 16 para 24 trouxe apenas melhorias marginais, sugerindo que a configuração de 16 camadas captura a física necessária.
  • Comprimento de Contexto: Aumentar o lookback de 96 para 336 melhorou o desempenho, indicando que a abertura óptica beneficia-se de contexto histórico adicional.

Significância e Alegações

O artigo enquadra explicitamente o HAMON não como um novo modelo de estado da arte digital, mas como uma investigação de nível de substrato. A principal alegação é que a computação central dos modelos de sequência modernos — especificamente a mistura linear necessária para a previsão de longo horizonte — pode ser instanciada como um processo físico passivo.

• Escopo Modesto: Os autores reconhecem que o HAMON não é um aprendiz totalmente óptico de ponta a ponta; a normalização, codificação e leitura permanecem operações digitais ou eletro-ópticas de contorno.
• Simulação vs. Hardware: Os resultados baseiam-se em simulações de óptica de onda. O artigo não reivindica validação experimental de hardware, mas argumenta que a física subjacente (óptica de Fourier, difração, interferência) é padrão e bem compreendida.
• Direção Futura: O HAMON define um alvo concreto para implementação de hardware óptico. Sugere que a "mistura de sequência física passiva" é um programa de pesquisa plausível, potencialmente oferecendo inferência energeticamente eficiente ao transferir operações lineares de processadores digitais para a óptica difrativa.

Em resumo, o HAMON valida a hipótesia de que, se uma tarefa de previsão pode ser resolvida por um operador linear, esse operador não requer estritamente implementação digital e pode ser efetivamente realizado através de difração passiva treinável.