Des chercheurs ont montré qu'un réseau de neurones peut être entraîné à l'aide d'un circuit optique (rectangle bleu dans l'illustration). Dans le réseau complet, il y en aurait plusieurs reliés entre eux. Les entrées laser (vert) codent les informations qui sont transmises à travers la puce par des guides d'ondes optiques (noir). La puce effectue des opérations cruciales pour le réseau de neurones artificiels à l'aide de séparateurs de faisceaux accordables, qui sont représentés par les sections courbes dans les guides d'ondes. Ces sections couplent deux guides d'ondes adjacents et sont réglées en ajustant les paramètres des déphaseurs optiques (objets incandescents rouges et bleus), qui agissent comme des « boutons » qui peuvent être ajustés pendant l'entraînement pour effectuer une tâche donnée. Crédit :Tyler W. Hughes, Université de Stanford
Des chercheurs ont montré qu'il est possible de former des réseaux de neurones artificiels directement sur une puce optique. Cette percée significative démontre qu'un circuit optique peut remplir une fonction critique d'un réseau de neurones artificiels basé sur l'électronique et pourrait conduire à moins cher, des moyens plus rapides et plus économes en énergie d'effectuer des tâches complexes telles que la reconnaissance vocale ou d'images.
"L'utilisation d'une puce optique pour effectuer des calculs de réseau neuronal plus efficacement qu'avec des ordinateurs numériques pourrait permettre de résoudre des problèmes plus complexes, ", a déclaré le chef de l'équipe de recherche Shanhui Fan de l'Université de Stanford. "Cela améliorerait la capacité des réseaux de neurones artificiels à effectuer les tâches requises pour les voitures autonomes ou à formuler une réponse appropriée à une question orale. par exemple. Cela pourrait également améliorer nos vies d'une manière que nous ne pouvons pas imaginer maintenant."
Un réseau de neurones artificiels est un type d'intelligence artificielle qui utilise des unités connectées pour traiter les informations d'une manière similaire à la façon dont le cerveau traite les informations. Utiliser ces réseaux pour effectuer une tâche complexe, par exemple la reconnaissance vocale, nécessite l'étape critique de formation des algorithmes pour catégoriser les entrées, comme des mots différents.
Bien que les réseaux de neurones artificiels optiques aient été récemment démontrés expérimentalement, l'étape de formation a été réalisée à l'aide d'un modèle sur un ordinateur numérique traditionnel et les paramètres finaux ont ensuite été importés dans le circuit optique. Dans Optique , Le journal de l'Optical Society pour la recherche à fort impact, Des chercheurs de l'Université de Stanford rapportent une méthode pour entraîner ces réseaux directement dans l'appareil en mettant en œuvre un analogue optique de l'algorithme de « rétropropagation », qui est le moyen standard de former des réseaux de neurones conventionnels.
"L'utilisation d'un appareil physique plutôt que d'un modèle informatique pour la formation rend le processus plus précis, " a déclaré Tyler W. Hughes, premier auteur de l'article. "Aussi, parce que l'étape d'apprentissage est une partie très coûteuse en calcul de la mise en œuvre du réseau de neurones, effectuer cette étape optiquement est essentiel pour améliorer l'efficacité de calcul, la vitesse et la consommation électrique des réseaux artificiels."
Un réseau basé sur la lumière
Bien que le traitement du réseau neuronal soit généralement effectué à l'aide d'un ordinateur traditionnel, des efforts importants sont déployés pour concevoir du matériel optimisé spécifiquement pour l'informatique de réseau neuronal. Les dispositifs basés sur l'optique sont d'un grand intérêt car ils peuvent effectuer des calculs en parallèle tout en utilisant moins d'énergie que les dispositifs électroniques.
Dans le nouveau travail, les chercheurs ont surmonté un défi important dans la mise en œuvre d'un réseau de neurones tout optique en concevant une puce optique qui reproduit la façon dont les ordinateurs conventionnels entraînent les réseaux de neurones.
