Investigadores de UCLA han desarrollado un nuevo procesador óptico-neuronal que utiliza la luz para detectar vídeos deepfake de forma rápida y precisa. Mientras que los sistemas digitales tradicionales suelen analizar los vídeos de forma secuencial, esta tecnología puede analizar simultáneamente 15 o más flujos de vídeo en una sola pasada óptica. El estudio se publicó en eLight con el título “Scalable, Energy-Efficient Optical-Neural Architecture for Multiplexed Deepfake Video Detection”.
En el sistema, un codificador digital ligero convierte las características espaciales, espectrales y temporales de los vídeos en información compacta. Esta información se transforma en un patrón de fase en un modulador espacial de luz programable. A continuación, el frente de onda óptico atraviesa un decodificador óptico pasivo basado en espacio libre, y los detectores ópticos emparejados generan directamente una puntuación de autenticidad para cada vídeo. De este modo, una parte del proceso de decodificación, que requiere un intenso procesamiento digital, se lleva a cabo mediante la difracción de la luz.
En los experimentos realizados con luz visible, el procesador analizó simultáneamente 15 vídeos de Celeb-DF en cada pasada óptica. La precisión media fue del 97,79 %, la sensibilidad del 99,86 % y la especificidad del 95,72 %. En correspondencia con el resultado de sensibilidad, la tasa de falsos negativos se calculó en aproximadamente un 0,14 %. Cuando la capacidad se elevó a 18 vídeos, la precisión se mantuvo en el 96,13 %. En manipulaciones deepfake más difíciles, añadir dos capas difractivas optimizadas al decodificador óptico pasivo aumentó la precisión aproximadamente un 6,8 %. Estas estructuras pasivas realizan el procesamiento óptico sin requerir energía eléctrica adicional.
Los investigadores también probaron el sistema con vídeos generados mediante el modelo VEO-3 de Google y en vídeos nunca vistos anteriormente. Con un ajuste fino limitado, la precisión fue del 94,80 % y la sensibilidad, del 97,61 %. El procesador también demostró resistencia a ataques adversarios de caja negra y ofreció protección basada en hardware frente a ataques de caja blanca. Asimismo, siguió funcionando ante ruido de imagen, desenfoque, compresión JPEG y errores experimentales de alineación.
El equipo de UCLA diseñó el sistema más como una primera capa de defensa para escanear grandes volúmenes de vídeos que como una herramienta destinada a sustituir a los detectores digitales avanzados. Los contenidos sospechosos podrán transferirse a modelos digitales más detallados. Se indicó que el enfoque podría utilizarse en aplicaciones de inteligencia artificial centradas en la moderación de contenidos, la verificación de medios, la vigilancia y la seguridad. En el estudio contribuyeron Parnian Ghapandar Kashani, Dr. Shiqi Chen y el profesor Aydogan Ozcan.
Antecedentes
Nearly no es un nombre nuevo en el archivo de FikirPilot: en los últimos 90 días hemos publicado 4 noticias en las que aparece este nombre; la más reciente está fechada el 29 de septiembre de 2026.