Aprendizado de máquina probabilístico fotônico usando ruído de vácuo quântico

O aprendizado de máquina probabilístico utiliza fontes controláveis de aleatoriedade para codificar incerteza e possibilitar modelagem estatística. Aproveitar a aleatoriedade pura do ruído de vácuo quântico, que deriva de campos eletromagnéticos flutuantes, mostrou-se promissor para elementos fotônicos estocásticos de alta velocidade e eficiência energética. No entanto, o hardware de computação fotônica que pode controlar esses elementos estocásticos para programar algoritmos de aprendizado de máquina probabilísticos tem sido limitado. Aqui, implementamos um computador probabilístico fotônico consistindo em um elemento fotônico estocástico controlável - um neurônio probabilístico fotônico (PPN). Nosso PPN é implementado em um oscilador paramétrico óptico (OPO) bistável com campos de polarização injetados no nível de vácuo. Em seguida, programamos um loop de medição e retroalimentação para PPNs multiplexados em tempo com processadores eletrônicos (FPGA ou GPU) para resolver certas tarefas de aprendizado de máquina probabilístico. Apresentamos inferência probabilística e geração de imagens de dígitos manuscritos MNIST, que são exemplos representativos de modelos discriminativos e generativos. Em ambas as implementações, o ruído de vácuo quântico é utilizado como uma semente aleatória para codificar a incerteza de classificação ou a geração probabilística de amostras. Além disso, propomos um caminho para uma plataforma de computação probabilística totalmente óptica, com uma taxa de amostragem estimada de ~1 Gbps e consumo de energia de ~5 fJ/MAC. Nosso trabalho abre caminho para hardware escalável, ultrarrápido e energeticamente eficiente para aprendizado de máquina probabilístico.