Computação fotônica aplicada à inteligência artificial

Abstract

Resumo: O avanço acelerado da Inteligência Artificial, especialmente em aplicações de aprendizado profundo (deep learning), tem imposto demandas computacionais cada vez mais intensas, revelando limitações da computação tradicional baseada em silício. Com o progressivo esgotamento da Lei de Moore e o consequente enfraquecimento dos ganhos de desempenho obtidos por meio da miniaturização de transistores, torna-se necessário investigar novas abordagens capazes de sustentar o crescimento da capacidade de processamento exigida por aplicações de IA. Este trabalho tem como objetivo analisar o potencial da computação fotônica como alternativa para o processamento de tarefas de aprendizado de máquina. Para isso, foi conduzida uma revisão sistemática da literatura, na qual foram selecionados e analisados estudos relevantes sobre arquiteturas fotônicas, computação neuromórfica óptica e circuitos integrados fotônicos aplicados à inteligência artificial. A análise dos trabalhos identificados evidencia vantagens importantes da computação fotônica, como elevado paralelismo inerente à propagação da luz, altas taxas de transmissão de dados e maior eficiência energética quando comparada às arquiteturas eletrônicas convencionais. Também são discutidos avanços recentes em dispositivos fotônicos capazes de implementar operações fundamentais para redes neurais e outros algoritmos de aprendizado de máquina. Embora a tecnologia ainda enfrente desafios relacionados à integração, precisão computacional e escalabilidade industrial, os resultados indicam que a computação fotônica apresenta potencial significativo para complementar ou ampliar as capacidades do hardware tradicional em aplicações de inteligência artificial

Abstract: The accelerated advancement of Artificial Intelligence, especially in deep learning applications, has imposed increasingly intense computational demands, revealing the limits of traditional silicon-based computing. With the progressive depletion of Moore’s Law and the consequent weakening of performance gains achieved through transistor miniaturization, it becomes necessary to investigate new approaches capable of sustaining the growth of processing capacity required by AI applications. This work aims to analyze the potential of photonic computing as an alternative for processing machine learning tasks. To this end, a systematic literature review was conducted, in which relevant studies on photonic architectures, optical neuromorphic computing, and integrated photonic circuits applied to artificial intelligence were selected and analyzed. The analysis highlights important advantages of photonic computing, such as the high parallelism inherent to light propagation, high data transmission rates, and improved energy efficiency when compared to conventional electronic architectures. Recent advances in photonic devices capable of implementing fundamental operations for neural networks and other machine learning algorithms are also discussed. Although the technology still faces challenges related to integration, computational precision, and industrial scalability, the results indicate that photonic computing presents significant potential to complement or expand the capabilities of traditional hardware in artificial intelligence applications