Optyczna sieć z UCLA wykrywa deepfake'i w 15 wideo naraz

Zespół z UCLA opisał w czasopiśmie eLight detektor deepfake'ów, w którym najcięższy etap obliczeń wykonuje światło przechodzące przez pasywne warstwy dyfrakcyjne. Układ ocenia 15 strumieni wideo równocześnie ze średnią trafnością 97,79 proc. Pasywny dekoder nie pobiera przy tym energii.

Najważniejsze w skrócie

Średnia trafność 97,79 proc. przy 15 wideo analizowanych jednocześnie
Czułość 99,86 proc., czyli 0,14 proc. wyników fałszywie negatywnych, i swoistość 95,72 proc.
Przy 18 strumieniach naraz trafność spada do 96,13 proc.
Dwie dodatkowe warstwy dyfrakcyjne podniosły trafność o około 6,8 proc. bez wzrostu poboru mocy
Na nieznanych wcześniej nagraniach z Google Veo 3 układ uzyskał 94,80 proc. po minimalnym dostrojeniu

97,79 proc.średnia trafność przy 15 strumieniach wideo analizowanych równocześnieeLight 2026, 6(1)

Cyfrowy koder, optyczny dekoder

Podział pracy jest tu kluczowy. Lekki koder cyfrowy wyciąga z wideo cechy przestrzenne, widmowe i czasowe, a następnie zapisuje je jako wzór fazowy na programowalnym modulatorze światła. Dalej nie ma już obliczeń w krzemie.

Wejście

Strumienie wideo15 lub więcej naraz

Etap cyfrowy

Lekki koder cyfrowycechy przestrzenne, widmowe, czasowe

Wzór fazowy na modulatorze światłagranica między krzemem a optyką

Etap optyczny

Propagacja przez swobodną przestrzeńAllow

Pary detektorów odczytują wynikjeden wynik na wideo

Od strumienia wideo do wyniku autentyczności — gdzie kończy się krzem

Diagram pokazuje podział odpowiedzialności, nie skalę fizyczną układu. Istotna jest granica w trzecim kroku: wszystko po niej odbywa się bez zasilania, bo obliczenie wykonuje sama propagacja światła.

Liczą tu nieruchome warstwy dyfrakcyjneWarstwa dyfrakcyjna: Cienka, nieruchoma struktura, której wzór ugina przechodzące światło w zaplanowany sposób. Raz wytworzona, liczy bez prądu. — raz wytworzone, nie wymagają już zasilania ani przeprogramowania.

Równoległość bierze się z fizyki, nie z architektury układu. Wiele strumieni propaguje się przez ten sam dekoder jednocześnie, więc koszt dodania kolejnego wideo jest bliski zeru, dopóki nie przekroczy się pojemności układu.

Czułość ważniejsza niż swoistość

Rozkład błędów jest tu nietypowy i celowy. Obie metryki mierzą co innego i w detekcji fałszywek nie są równie ważne.

\dots ▶ Znaczenie symboli \dots fałszywki poprawnie oznaczone jako fałszywki \dots fałszywki przepuszczone jako autentyczne \dots autentyczne nagrania poprawnie przepuszczone \dots autentyczne nagrania błędnie oznaczone jako podrobione

Czułość 99,86 proc. oznacza, że przez sito przechodzi jedna fałszywka na siedemset, podczas gdy swoistość 95,72 proc. oznacza, że część autentycznych nagrań zostanie błędnie oznaczona jako podrobione. Dla moderacji treści to właściwy kierunek pomyłki, ale wymaga drugiego etapu weryfikacji.

Metryka	Wartość
Średnia trafność, 15 strumieni	97,79 proc.
Średnia trafność, 18 strumieni	96,13 proc.
Czułość	99,86 proc.
Swoistość	95,72 proc.
Trafność na nagraniach Google Veo 3	94,80 proc.
Zysk z dwóch dodatkowych warstw	ok. 6,8 proc.

Wyniki raportowane w pracy opublikowanej w eLight.

Wynik na materiale z generatora Google Veo 3, którego układ nie widział podczas treningu, jest mocniejszym argumentem niż sama trafność. Detektory deepfake'ów zwykle rozsypują się przy nowym generatorze.

Dlaczego to ważne?

Wykrywanie deepfake'ów przegrywa dziś nie jakością, lecz kosztem: skanowanie całego ruchu wideo na GPU jest ekonomicznie nierealne. Przeniesienie dekodowania do pasywnej optyki zmienia tę arytmetykę, bo dokładanie strumieni nie dokłada watów. Dopóki jednak układ wymaga modulatora światła i stołu optycznego, zostaje w laboratorium.

Co dalej?

Praca opisuje układ laboratoryjny, autorzy nie podają planu miniaturyzacji ani wdrożenia
Przy 18 strumieniach trafność już spada, więc granica skalowania jest blisko wartości testowanej
Generalizacja została sprawdzona na jednym nowym generatorze, nie na szerokim zestawie