Des recherches récentes ont fait des progrès significatifs dans le développement des réseaux de neurones optiques, présentant une alternative durable aux modèles gourmands en énergie et en ressources actuellement utilisés. En tirant parti de la propagation de la lumière via des fibres multimodes et d’un nombre minimal de paramètres programmables, les chercheurs ont atteint une précision comparable à celle des systèmes numériques traditionnels avec des besoins en mémoire et en énergie considérablement réduits. Cette approche innovante offre une voie prometteuse vers des solutions matérielles d’intelligence artificielle économes en énergie et hautement efficaces.
Une nouvelle architecture pour les réseaux neuronaux optiques utilise la mise en forme du front d’onde pour manipuler avec précision le déplacement des impulsions ultracourtes à travers des fibres multimodes, permettant ainsi un calcul optique non linéaire.
Les systèmes d’intelligence artificielle actuels s’appuient sur des milliards de paramètres réglables pour atteindre des objectifs complexes. Or, la grande quantité de ces paramètres entraîne des dépenses importantes. La formation et la mise en œuvre de modèles aussi étendus nécessitent une mémoire et une puissance de traitement considérables, disponibles uniquement dans d’énormes centres de données, consommant une énergie comparable à la demande électrique des villes de taille moyenne. En réponse, les chercheurs réévaluent actuellement à la fois l’infrastructure informatique et les apprentissage automatique algorithmes pour garantir que les progrès durables de l’intelligence artificielle se poursuivent au rythme actuel.
La mise en œuvre optique des architectures de réseaux de neurones est une voie prometteuse en raison de la mise en œuvre à faible consommation des connexions entre les unités. Nouvelle recherche rapportée dans Photonique avancée combine la propagation de la lumière à l’intérieur de fibres multimodes avec un petit nombre de paramètres programmables numériquement et obtient les mêmes performances sur les tâches de classification d’images avec des systèmes entièrement numériques avec plus de 100 fois plus de paramètres programmables.
Ce cadre informatique rationalise les besoins en mémoire et réduit le besoin de processus numériques énergivores, tout en atteignant le même niveau de précision dans une variété de tâches d’apprentissage automatique.
Percée dans les calculs optiques non linéaires
Le cœur de ces travaux révolutionnaires, dirigés par les professeurs Demetri Psaltis et Christophe Moser de l’EPFL (Ecole polytechnique fédérale de Lausanne), réside dans le contrôle précis d’impulsions ultracourtes au sein de fibres multimodes grâce à une technique connue sous le nom de mise en forme du front d’onde. Cela permet la mise en œuvre de calculs optiques non linéaires avec des microwatts de puissance optique moyenne, franchissant ainsi une étape cruciale dans la réalisation du potentiel des réseaux de neurones optiques.
« Dans cette étude, nous avons découvert qu’avec un petit groupe de paramètres, nous pouvons sélectionner un ensemble spécifique de poids modèles dans la banque de poids fournie par l’optique et l’utiliser pour la tâche informatique ciblée. De cette façon, nous avons utilisé des phénomènes naturels comme matériel informatique sans nous soucier de fabriquer et d’exploiter un appareil spécialisé à cet effet », déclare Ilker Oguz, co-auteur principal de l’ouvrage.
Ce résultat marque un pas important vers la résolution des défis posés par la demande croissante de modèles d’apprentissage automatique plus vastes. En exploitant la puissance de calcul de la propagation de la lumière à travers des fibres multimodes, les chercheurs ont ouvert la voie à des solutions matérielles d’intelligence artificielle à faible consommation d’énergie et très efficaces.
Comme le montre l’expérience d’optique non linéaire rapportée, ce cadre informatique peut également être utilisé pour programmer efficacement différents phénomènes non linéaires de grande dimension afin d’effectuer des tâches d’apprentissage automatique et peut offrir une solution transformatrice à la nature gourmande en ressources des modèles d’IA actuels.
