ARRIBA: El aprendizaje profundo totalmente \u00f3ptico utiliza componentes \u00f3pticos pasivos impresos en 3D para implementar funciones complejas a la velocidad de la luz. OZCAN LAB @ UCLA<\/p>\n
Si desea un sistema de reconocimiento de objetos o im\u00e1genes extremadamente r\u00e1pido para detectar elementos en movimiento, como un misil o autom\u00f3viles en la carretera, una c\u00e1mara digital conectada a una computadora simplemente no funcionar\u00e1, seg\u00fan el ingeniero el\u00e9ctrico Aydogan Ozcan de la Universidad de California, Los \u00c1ngeles. Entonces, usando aprendizaje autom\u00e1tico, herramientas \u00f3pticas e impresi\u00f3n 3D, \u00e9l y sus colegas crearon un sistema que es m\u00e1s r\u00e1pido, funciona con luz y, a diferencia de las computadoras, no requiere una fuente de energ\u00eda distinta a la fuente de luz inicial y un detector sencillo. Sus resultados se publican hoy (26 de julio) en Science<\/em>. <\/p>\n “Este es un enfoque muy innovador para construir una red neuronal artificial f\u00edsica hecha de capas apiladas de elementos \u00f3pticos ,” Demetri Psaltis, profesor de \u00f3ptica y…<\/p>\n Lo que es novedoso aqu\u00ed no es la parte de aprendizaje profundo, sino la ingenier\u00eda \u00f3ptica y la capacidad de hacer un molde de la red neuronal artificial usando 3-D impresi\u00f3n, se\u00f1ala Olexa Bilaniuk, estudiante de posgrado en los grupos de Roland Memisevic y Yoshua Bengios de la Universidad de Montreal que estudia el aprendizaje autom\u00e1tico y las redes neuronales artificiales. El trabajo anterior para crear una red \u00f3ptica de este tipo hab\u00eda sido te\u00f3rico o hab\u00eda construido sistemas mucho m\u00e1s simples y peque\u00f1os, agrega.<\/p>\n A Ozcan le gustar\u00eda usar el sistema para imitar varios ojos de animales, que procesan la luz. e im\u00e1genes de manera diferente al ojo humano. La invenci\u00f3n tambi\u00e9n podr\u00eda usarse para aplicaciones de microscop\u00eda e im\u00e1genes m\u00e9dicas, dice, si se implementa en las longitudes de onda m\u00e1s cortas que se usan en la microscop\u00eda \u00f3ptica.<\/p>\n Para construir su sistema de reconocimiento, Ozcan y sus colegas primero usaron un enfoque conocido como aprendizaje profundo, en el que una computadora recibe datos de audio o visuales y se entrena para reconocer ciertos patrones. Luego, el algoritmo crea reglas sobre los datos proporcionados y las aplica para describir nuevas entradas.<\/p>\n En este caso, el equipo entren\u00f3 su modelo de red para reconocer diferentes tipos de datos, incluidas im\u00e1genes de d\u00edgitos escritos a mano del 0 al 9 y varias prendas de vestir. En cada caso, la computadora cre\u00f3 un modelo, que constaba de varias capas de p\u00edxeles. Cada p\u00edxel puede transmitir luz y representa una neurona artificial conectada a otras neuronas en la misma capa o en capas adjuntas.<\/p>\n Para cada tipo de datos, los investigadores luego hicieron una representaci\u00f3n f\u00edsica del modelo utilizando cinco capas de un pl\u00e1stico impreso en 3D que luego podr\u00eda procesar cada tipo de imagen utilizando una luz monocrom\u00e1tica l\u00e1ser a 0,4 terahercios en lugar de la luz visible.<\/p>\n La red neuronal de pol\u00edmero impreso toma la luz que rebota en un objeto y la procesa a la velocidad de la luz seg\u00fan la estructura f\u00edsica de la red neuronal y clasifica r\u00e1pidamente el objeto o su imagen en la categor\u00eda correcta enfocando la luz en el detector correcto a la salida de la red.<\/p>\n El producto impreso es como un cerebro f\u00edsico con conexiones neuronales, excepto que aqu\u00ed, la luz conecta las neuronas de modo que la informaci\u00f3n puede fluir de una capa de neuronas a la siguiente, explica Ozcan.<\/p>\n Esta es una red neuronal extremadamente eficiente implementaci\u00f3n, porque una vez t Las superficies de difracci\u00f3n pasiva est\u00e1n impresas en 3D, no usan electricidad en absoluto, pero procesan su entrada a la velocidad de la luz, sin demora, escribe Bilaniuk en un correo electr\u00f3nico a The Scientist<\/em>.<\/p>\n Los investigadores ahora est\u00e1n trabajando para mejorar el rendimiento del modelo de capacitaci\u00f3n por computadora. En el caso del conjunto de entrenamiento de d\u00edgitos, su red artificial ten\u00eda una precisi\u00f3n de alrededor del 91,75 por ciento en el reconocimiento de nuevos d\u00edgitos escritos a mano. Tambi\u00e9n les gustar\u00eda escalar su red impresa a dimensiones m\u00e1s grandes que las capas impresas de 8 cm por 8 cm que se informan en el documento. Con m\u00e1s capas, potencialmente podemos implementar tareas m\u00e1s complejas con mayor precisi\u00f3n, dice Ozcan a The Scientist<\/em><\/p>\n Para Psaltis, el nuevo trabajo plantea m\u00e1s preguntas de las que responde. \u00bfSe puede hacer este sistema m\u00e1s robusto, podemos aumentar la velocidad, cu\u00e1l es el costo del modelado y la impresi\u00f3n 3D, y c\u00f3mo podr\u00edamos integrar potencialmente esta herramienta con los sistemas digitales existentes? escribe. <\/p>\n Seg\u00fan Bilaniuk, si el sistema pudiera adaptarse a la luz normal y miniaturizarse, las aplicaciones potenciales podr\u00edan ser la detecci\u00f3n de rostros en las c\u00e1maras de los tel\u00e9fonos m\u00f3viles y el enfoque autom\u00e1tico sin gastar la bater\u00eda tal cual. necesario para dispositivos digitales.<\/p>\n X. Lin et al., Aprendizaje autom\u00e1tico totalmente \u00f3ptico mediante redes neuronales profundas difractivas, Science, <\/em>doi:10.1126\/science.aat8084, 2018.<\/strong><\/p>\n Reciba acceso completo a m\u00e1s de 35 a\u00f1os de archivos<\/strong>, as\u00ed como TS Digest<\/em><\/strong>, ediciones digitales de The Scientist<\/em><\/strong>, art\u00edculos destacados<\/strong>, \u00a1y mucho m\u00e1s!\u00danase gratis hoy \u00bfYa es miembro?Inicie sesi\u00f3n aqu\u00ed<\/p>\n","protected":false},"excerpt":{"rendered":" ARRIBA: El aprendizaje profundo totalmente \u00f3ptico utiliza componentes \u00f3pticos pasivos impresos en 3D para implementar funciones complejas a la velocidad de la luz. OZCAN LAB @ UCLA Si desea un sistema de reconocimiento de objetos o im\u00e1genes extremadamente r\u00e1pido para detectar elementos en movimiento, como un misil o autom\u00f3viles en la carretera, una c\u00e1mara digital … Continuar leyendo \u00abEl sistema de reconocimiento de objetos con IA funciona a la velocidad de la luz\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-35566","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/35566","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=35566"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/35566\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=35566"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=35566"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=35566"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Interesado en \u00bfLeer m\u00e1s?<\/h2>\n
El cient\u00edfico <\/em>ARCHIVOS<\/h4>\n
Convi\u00e9rtase en miembro de<\/h2>\n