Des chercheurs de l'Université George Washington, avec des chercheurs de l'Université de Californie, Los Angeles, et la start-up de deep-tech Optelligence LLC, ont développé un accélérateur de réseau de neurones à convolution optique capable de traiter de grandes quantités d'informations, de l'ordre du pétaoctet, par seconde. Cette nouveauté, qui exploite le parallélisme massif de la lumière, annonce une nouvelle ère de traitement du signal optique pour l'apprentissage automatique avec de nombreuses applications, y compris dans les voitures autonomes, réseaux 5G, centres de données, diagnostic biomédical, la sécurité des données et plus encore.

La demande mondiale de matériel d'apprentissage automatique dépasse considérablement les alimentations informatiques actuelles. Matériel électronique de pointe, tels que les unités de traitement graphique et les accélérateurs d'unités de traitement tensoriel, aider à atténuer cela, mais sont intrinsèquement confrontés au traitement des données en série qui nécessite un traitement itératif des données et rencontre des retards dus aux contraintes de câblage et de circuit. Des alternatives optiques au matériel électronique pourraient aider à accélérer les processus d'apprentissage automatique en simplifiant la façon dont les informations sont traitées de manière non itérative. Cependant, L'apprentissage automatique basé sur la photonique est généralement limité par le nombre de composants pouvant être placés sur des circuits intégrés photoniques, limiter l'interconnectivité, tandis que les modulateurs de lumière spatiale en espace libre sont limités à des vitesses de programmation lentes.

Pour réaliser une percée dans ce système d'apprentissage automatique optique, les chercheurs ont remplacé les modulateurs de lumière spatiaux par une technologie à miroir numérique, développant ainsi un système plus de 100 fois plus rapide. Le timing non itératif de ce processeur, en combinaison avec une programmabilité rapide et une parallélisation massive, permet à ce système optique d'apprentissage automatique de surpasser même les unités de traitement graphique haut de gamme de plus d'un ordre de grandeur, avec de la place pour une optimisation supplémentaire au-delà du prototype initial.

Contrairement au paradigme actuel du matériel d'apprentissage automatique électronique qui traite les informations de manière séquentielle, ce processeur utilise l'optique de Fourier, un concept de filtrage fréquentiel qui permet d'effectuer les convolutions requises du réseau de neurones comme des multiplications élémentaires beaucoup plus simples en utilisant la technologie du miroir numérique.

"Ce processeur optique de Fourier massivement parallèle à amplitude uniquement annonce une nouvelle ère pour le traitement de l'information et l'apprentissage automatique. Nous montrons que la formation de ce réseau de neurones peut expliquer le manque d'informations de phase, " dit Volker Sorger, professeur agrégé de génie électrique et informatique à l'Université George Washington.

"L'optique permet de traiter des matrices à grande échelle en un seul pas de temps, ce qui permet de nouveaux vecteurs de mise à l'échelle pour effectuer des convolutions optiquement. Cela peut avoir un potentiel important pour les applications d'apprentissage automatique, comme démontré ici, " dit Puneet Gupta, professeur et vice-président de l'ingénierie informatique à l'Université de Californie, Los Angeles.

"Cette démonstration de prototype montre une voie commerciale pour les accélérateurs optiques prêts pour un certain nombre d'applications telles que le traitement à la périphérie du réseau, centres de données et systèmes de calcul haute performance, " dit Hamed Dalir, co-fondateur, Optelligence LLC.

Le papier, "Massively Parallel Amplitude-Only Fourier Neural Network" a été publié aujourd'hui dans la revue Optique .