Une équipe de chercheurs a démontré une méthode générale pour former des circuits intégrés photoniques directement sur la puce physique, une étape qui pourrait transformer les processeurs optiques d'accélérateurs fixes et préconçus en un matériel qui apprend après sa construction. Les travaux, publiés dans Nature Computational Science, sont résumés dans un mémoire complémentaire intitulé "Les circuits photoniques deviennent du matériel d'IA entraînable".
La méthode, appelée INSPIRE — abréviation de descente de gradient physique sur puce et in situ — résout l'un des principaux goulots d'étranglement du calcul photonique pour l'intelligence artificielle : bien que les processeurs photoniques promettent des gains majeurs en termes de vitesse et d'efficacité énergétique, leur formation est restée largement confinée aux simulations numériques qui nécessitent une modélisation physique coûteuse et souffrent d'erreurs induites par la fabrication. Pour plus de contexte sur cette histoire, consultez notre couverture de l'industrie de l'IA.
Pourquoi les puces photoniques IA sont difficiles à former
Aujourd’hui, la plupart des réseaux de neurones sont formés sur du matériel numérique, sur lequel les gradients peuvent être calculés avec précision. Les circuits photoniques sont différents : la lumière interfère, se disperse et se couple de manière difficile à modéliser parfaitement, et de minuscules variations de fabrication font qu'une puce en laboratoire se comporte rarement exactement comme son jumeau numérique. Entraîner le réseau hors ligne puis transférer les paramètres sur la puce revient à accepter une discordance qui dégrade la précision.
Des recherches antérieures ont résolu le problème. Des études ont démontré la rétropropagation in situ et la mesure du gradient dans les réseaux de neurones photoniques, et en 2024, les chercheurs ont introduit une formation en mode entièrement avancé pour les réseaux de neurones optiques afin de réduire le recours à l'émulation de modèles numériques. Le nouveau travail étend cette ligne en revendiquant une méthode générale pour toutes les architectures de circuits plutôt que adaptée à une seule conception.
Comment fonctionne INSPIRE
Selon l'article, INSPIRE utilise une holographie synthétique à inversion du temps sur puce pour mesurer l'ensemble des champs complexes des modes photoniques bidirectionnels. Cette mesure permet au circuit lui-même de calculer les gradients et de mettre à jour ses propres paramètres, sans nécessiter un modèle numérique complet de la puce.
La conséquence pratique est importante. Étant donné que le calcul du gradient s'effectue à l'intérieur du système physique, diverses topologies de circuits peuvent être entraînées après la fabrication, et le matériel peut gérer la conception matricielle, le calcul multi-longueurs d'onde et le méta-apprentissage rapide sans réplique numérique fidèle. Dans les flux de travail conventionnels, chacune de ces étapes dépendrait d’une précision de simulation que les puces du monde réel ne peuvent garantir.
Le cadre est décrit comme indépendant de la topologie, ce qui signifie qu'il fonctionne avec diverses conceptions de circuits optiques plutôt qu'avec une seule disposition sur mesure. Étant donné que les gradients sont mesurés physiquement, le réseau peut être formé après la fabrication, absorbant ainsi les imperfections de fabrication qui autrement seraient considérées comme du bruit.
Les résultats
Les chiffres rapportés sont précis. Lors des expériences, la méthode a donné des matrices entraînées avec une erreur relative de 0,26 %. L’équipe a également démontré une formation in situ via des médias de diffusion pour des matrices plus grandes que le nombre d’éléments accordables natifs dans le circuit – un apprentissage efficace avec moins de contrôles physiques que ce que le problème requiert nominalement.
Peut-être le plus frappant, les chercheurs ont montré que les circuits méta-photoniques peuvent effectuer un méta-apprentissage in situ, réalisant ce qu'ils décrivent comme un apprentissage photonique en un seul coup avec une compression de modèle 251 fois supérieure et une accélération de formation spécifique à une tâche 136 fois supérieure. Le mémoire complémentaire ajoute que le matériel permet une conception matricielle, un calcul multi-longueurs d'onde et un méta-apprentissage rapide sans modèle numérique complet du circuit.
Pourquoi c'est important
L’appétit énergétique de l’IA est l’une des contraintes les plus pressantes de l’industrie, et l’informatique optique a longtemps été proposée comme moyen d’exécuter des multiplications matricielles – le fonctionnement principal des réseaux neuronaux – avec une puissance bien inférieure à celle des processeurs électroniques. Les puces optiques de startups et de groupes universitaires ont déjà démontré un débit d'inférence impressionnant. La formation, cependant, est restée numérique : la puce gère le réseau, mais l'apprentissage s'effectue sur des GPU qui le simulent.
Une méthode de formation pratique in situ comblerait cette lacune, permettant aux systèmes photoniques de s'adapter à de nouvelles tâches sur le matériel lui-même. Cela pourrait également réduire le coût de déploiement des accélérateurs photoniques, puisque les puces n’auraient plus besoin d’être parfaitement caractérisées et compensées avant utilisation. Les auteurs présentent le travail comme offrant « une voie pratique vers des systèmes photoniques intelligents adaptatifs et efficaces ».
Mises en garde
Les résultats proviennent de démonstrations contrôlées en laboratoire, et le résumé du document ne prétend pas être prêt à la production. Faire évoluer la formation sur puce depuis les tailles de matrice démontrées jusqu'à l'échelle des réseaux neuronaux frontières reste un défi d'ingénierie ouvert, tout comme l'intégration de l'appareil de mesure - holographie synthétique à inversion du temps - dans des boîtiers compacts et fabriqués en série. Les déploiements dans le monde réel devraient également prouver leur fiabilité malgré les variations de température et le vieillissement des composants, conditions dans lesquelles les systèmes photoniques sont connus pour dériver.
Néanmoins, la publication marque un changement notable dans le domaine : de la conception de meilleurs circuits photoniques à la possibilité de laisser les circuits photoniques se concevoir eux-mêmes, du moins dans le sens étroit du réglage de leurs propres paramètres. Si les travaux de suivi reproduisent les résultats à plus grande échelle, les arguments énergétiques en faveur du matériel d’IA optique deviennent considérablement plus solides.
L'étude sous-jacente, « Apprentissage neuromorphique photonique via une descente de gradient physique généralisée in situ » par Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang et Lu Fang, est publiée dans Nature Computational Science.
---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
