Même les ordinateurs les plus puissants ne sont toujours pas à la hauteur du cerveau humain en matière de reconnaissance de formes, gestion des risques, et d'autres tâches tout aussi complexes. Les progrès récents des réseaux de neurones optiques, cependant, comblent cet écart en simulant la façon dont les neurones réagissent dans le cerveau humain.

Dans une étape clé vers la mise en pratique des réseaux de neurones optiques à grande échelle, les chercheurs ont démontré un réseau neuronal artificiel tout optique multicouche unique en son genre. Généralement, ce type d'intelligence artificielle permet de s'attaquer à des problèmes complexes impossibles avec les approches informatiques traditionnelles, mais les conceptions actuelles nécessitent des ressources de calcul importantes qui sont à la fois chronophages et énergivores. Pour cette raison, il y a un grand intérêt à développer des réseaux de neurones artificiels optiques pratiques, qui sont plus rapides et consomment moins d'énergie que ceux basés sur les ordinateurs traditionnels.

Dans Optique , Le journal de l'Optical Society pour la recherche à fort impact, chercheurs de l'Université des sciences et technologies de Hong Kong, Hong Kong détaille son réseau de neurones tout optique à deux couches et l'applique avec succès à une tâche de classification complexe.

"Notre schéma tout optique pourrait permettre un réseau de neurones qui effectue des calculs optiques parallèles à la vitesse de la lumière tout en consommant peu d'énergie, " a déclaré Junwei Liu, un membre de l'équipe de recherche. "Grande échelle, les réseaux de neurones tout optiques pourraient être utilisés pour des applications allant de la reconnaissance d'images à la recherche scientifique."

Construire un réseau tout optique

Dans les réseaux de neurones optiques hybrides conventionnels, les composants optiques sont généralement utilisés pour des opérations linéaires tandis que les fonctions d'activation non linéaires - les fonctions qui simulent la façon dont les neurones du cerveau humain réagissent - sont généralement implémentées électroniquement car l'optique non linéaire nécessite généralement des lasers haute puissance difficiles à mettre en œuvre dans un réseau de neurones optiques.

Pour surmonter ce défi, les chercheurs ont utilisé des atomes froids avec une transparence induite électromagnétiquement pour exécuter des fonctions non linéaires. "Cet effet induit par la lumière peut être obtenu avec une très faible puissance laser, " dit Shengwang Du, un membre de l'équipe de recherche. "Parce que cet effet est basé sur une interférence quantique non linéaire, il serait peut-être possible d'étendre notre système en un réseau de neurones quantiques qui pourrait résoudre des problèmes insolubles par les méthodes classiques."

Pour confirmer la capacité et la faisabilité de la nouvelle approche, les chercheurs ont construit un réseau de neurones optiques entièrement connecté à deux couches avec 16 entrées et deux sorties. Les chercheurs ont utilisé leur réseau tout optique pour classer les phases d'ordre et de désordre du modèle d'Ising, un modèle statistique du magnétisme. Les résultats ont montré que le réseau de neurones tout optique était aussi précis qu'un réseau de neurones informatisé bien entraîné.

Réseaux de neurones optiques à plus grande échelle

Les chercheurs prévoient d'étendre l'approche tout optique aux réseaux de neurones profonds tout optiques à grande échelle avec des architectures complexes conçues pour des applications pratiques spécifiques telles que la reconnaissance d'images. Cela aidera à démontrer que le programme fonctionne à plus grande échelle.

"Bien que notre travail soit une démonstration de principe, il montre qu'il peut devenir possible à l'avenir de développer des versions optiques de l'intelligence artificielle, " a déclaré Du. " La prochaine génération de matériel d'intelligence artificielle sera intrinsèquement beaucoup plus rapide et présentera une consommation d'énergie inférieure à celle de l'intelligence artificielle informatique d'aujourd'hui, " a ajouté Liu.