Les modèles de réseaux neuronaux profonds sont devenus si grands et complexes qu'ils défient les capacités du matériel informatique électronique traditionnel. Le matériel photonique, qui traite les calculs à l'aide de la lumière, offre une alternative plus rapide et plus économe en énergie mais a rencontré des difficultés avec certains calculs de réseaux neuronaux en raison de limitations qui ralentissent les performances. Des chercheurs du MIT et d'autres institutions ont développé une nouvelle puce photonique qui résout ces problèmes. Ce processeur photonique entièrement intégré peut effectuer toutes les opérations essentielles des réseaux neuronaux profonds de manière optique sur la puce. La puce a terminé les calculs pour une tâche de classification en apprentissage automatique en moins d'une demi-nanoseconde avec une précision de 92 %, comparable au matériel traditionnel. Construite en utilisant des procédés de fonderie commerciale, la puce dispose de modules interconnectés qui forment un réseau neuronal optique, laissant entrevoir des applications électroniques futures évolutives et intégrables. Cette avancée pourrait améliorer la vitesse et l'efficacité énergétique de l'apprentissage profond, bénéficiant à des domaines tels que le lidar, l'astronomie, la physique des particules et les télécommunications. Le système permet d'effectuer des opérations de réseau neuronal entièrement en optique à l'échelle de la nanoseconde, ce qui le rend considérablement plus rapide. Le chercheur principal, Saumil Bandyopadhyay, a souligné l'importance de la vitesse et de l'efficacité dans la performance des modèles et le potentiel pour des applications et algorithmes innovants. L'équipe de recherche comprend des anciens et professeurs du MIT comme Alexander Sludds, Nicholas Harris, Darius Bunandar et Dirk Englund, l'étude étant publiée dans Nature Photonics. Les réseaux neuronaux optiques impliquent des couches de nœuds interconnectés effectuant de l'algèbre linéaire, telle que la multiplication de matrices, essentielle pour la transformation des données. Les opérations non linéaires comme les fonctions d'activation permettent aux réseaux d'apprendre des motifs complexes.

En 2017, une seule puce photonique a été développée pour la multiplication de matrices, mais les opérations non linéaires nécessitaient de convertir les données optiques en signaux électriques, consommant une quantité importante d'énergie. Pour surmonter cela, les chercheurs ont conçu des unités de fonction optique non linéaire (NOFU) qui intègrent électronique et optique pour des opérations non linéaires sur la puce. Leur réseau neuronal optique comprend trois couches de dispositifs pour les fonctions linéaires et non linéaires. Le nouveau système encode les paramètres de réseau neuronal dans la lumière, avec des diviseurs de faisceaux programmables effectuant la multiplication de matrices. Les opérations non linéaires sont effectuées par les NOFU, qui utilisent des photodiodes pour convertir efficacement les signaux optiques en courant électrique. Ce traitement dans le domaine optique réduit considérablement la latence et la consommation d'énergie. En réalisant une faible latence, le système entraîne efficacement des réseaux neuronaux profonds sur la puce, ce qu'on appelle la formation in situ, qui nécessite habituellement beaucoup d'énergie dans le matériel numérique. Le processeur photonique a atteint une précision de plus de 96 % en formation et plus de 92 % en inférence, effectuant les calculs en moins d'une demi-nanoseconde. Le circuit a été fabriqué avec les mêmes procédés qui créent les puces CMOS, permettant une production de masse potentielle avec un minimum d'erreur. Les travaux futurs se concentreront sur l'intégration de l'appareil avec l'électronique réelle et le développement d'algorithmes qui tirent parti des avantages optiques pour une formation plus rapide et plus économe en énergie. Cette recherche a reçu le soutien de la Fondation Nationale des Sciences des États-Unis, du Bureau de Recherche Scientifique de l'U. S. Air Force et de NTT Research.