Calcul en mémoire optique en espace libre à fréquence d'horloge élevée

Pourquoi cela compte pour la technologie intelligente quotidienne

Des voitures autonomes et des drones de livraison aux transactions à haute fréquence et à la chirurgie à distance, un nombre croissant de décisions doivent être prises en une fraction de seconde, souvent loin des grands centres de données. L’électronique actuelle peine à suivre sans surchauffer ou vider les batteries. Cet article présente un nouveau type de moteur de calcul basé sur la lumière capable d’exécuter des tâches clés d’intelligence artificielle extrêmement rapidement et avec une faible consommation d’énergie, ce qui pourrait transformer le fonctionnement des appareils intelligents à la «périphérie» du réseau.

Transformer la lumière en calculatrice

L’IA moderne repose fortement sur une opération de base : multiplier et additionner de larges grilles de nombres, comparable à glisser en boucle un petit pochoir sur une image et sommer ce qu’il révèle. Le faire avec des électrons sur des puces est puissant mais énergivore, car les données doivent sans cesse être transférées entre la mémoire et les processeurs. Les chercheurs construisent plutôt un système appelé FAST‑ONN qui laisse la lumière réaliser une grande partie du travail en plein air. Ils utilisent de minuscules lasers semi‑conducteurs disposés en réseau pour coder les pixels d’image en intensité lumineuse, puis laissent ces faisceaux traverser des composants optiques qui appliquent spatialement les «poids» d’un réseau neuronal, avant d’atterrir sur des capteurs optiques qui reconvertissent les résultats en signaux électriques.

Comment le moteur optique est construit

Au cœur du système se trouve une matrice dense de lasers microscopiques connus sous le nom de lasers à cavité verticale émettant en surface (VCSEL). Chaque élément d’une grille 5×5 représente un pixel d’un petit patch d’image et peut être commuté à des vitesses gigahertz — des milliards de fois par seconde. Un élément en verre structuré divise cette grille de faisceaux en copies multiples, de sorte que le même patch puisse être traité en parallèle par plusieurs filtres différents. Un modulateur spatial de lumière programmable, analogue à un écran haute résolution, sert de stockage en mémoire pour les valeurs de filtre : ses millions de pixels minuscules atténuent ou laissent passer la lumière pour représenter un poids de réseau neuronal. Les faisceaux convergent ensuite vers des détecteurs couplés en fibre qui additionnent la lumière pour chaque filtre, réalisant en une étape optique un lot d’opérations de convolution.

Gérer les «pensées» positives et négatives

Les modèles d’IA ne doivent pas seulement renforcer certains motifs ; ils doivent aussi en supprimer d’autres, ce qui exige des poids positifs et négatifs. Comme l’intensité lumineuse n’est naturellement jamais négative, cela pose depuis longtemps un défi pour le calcul purement optique. Les auteurs le résolvent en scindant la lumière en un chemin signal portant les faisceaux pondérés et un chemin de référence non pondéré. Les deux sont alimentés dans des détecteurs appairés qui soustraient l’un de l’autre, de sorte qu’une moindre lumière peut représenter une contribution négative. Cette lecture différentielle ingénieuse permet au matériel optique d’imiter le comportement complet des réseaux neuronaux standards tout en restant robuste au bruit et aux petites imperfections des dispositifs.

Mettre le système à l’épreuve

Pour montrer que FAST‑ONN n’est pas qu’une démonstration de physique, l’équipe l’intègre à des tâches de reconnaissance réalistes. Ils raccordent le moteur optique à un réseau de vision standard entraîné sur le jeu de données COCO, largement utilisé pour tester la détection d’objets. Dans une expérience reproduisant un scénario de voiture autonome, des régions recadrées de scènes de circulation sont analysées pour décider si chacune contient un véhicule. La couche de convolution la plus exigeante est déléguée au matériel optique, tandis que les étapes restantes s’exécutent numériquement. Les versions optique et purement électronique du modèle concordent étroitement, atteignant des performances presque identiques pour distinguer les voitures de l’arrière‑plan. Ils démontrent également la classification de chiffres manuscrits et de vêtements, et réalisent même un entraînement où le système optique effectue les passes avant pendant qu’un ordinateur met à jour les poids, lesquels sont ensuite rechargés dans le modulateur lumineux.

Vitesse, efficacité et perspectives

Dans sa forme actuelle, le prototype traite 100 millions de petits patches d’image par seconde en utilisant des lasers 5×5 et neuf filtres simultanément, atteignant déjà près d’un milliard d’opérations de convolution par seconde avec des temps de décision à l’échelle des microsecondes. Une analyse détaillée suggère que, en utilisant des matrices plus grandes et des lasers commerciaux plus rapides, cette approche pourrait être montée en échelle pour effectuer des dizaines de milliers de billiards d’opérations par seconde tout en consommant beaucoup moins d’énergie que les accélérateurs électroniques de pointe. Parce que les composants clés sont compacts et compatibles avec la production de masse, FAST‑ONN pourrait finalement permettre l’intégration de coprocessseurs optiques miniatures et basse consommation dans des caméras, des drones et d’autres appareils en périphérie, leur permettant de «penser avec la lumière» et de réagir au monde presque aussi rapidement qu’il change.

Citation: Liang, Y., Wang, J., Xue, K. et al. High-clockrate free-space optical in-memory computing. Light Sci Appl 15, 115 (2026). https://doi.org/10.1038/s41377-026-02206-8

Mots-clés: réseaux neuronaux optiques, matériel IA en périphérie, réseaux VCSEL, calcul en mémoire, convolution haute vitesse