Processeur photonique matriciel en une seule prise basé sur la diffraction hypermultiplexée spatial-spectrale parallèle

Pourquoi un calcul plus rapide et plus vert compte

Chaque fois que nous posons une question à un assistant numérique ou que nous parcourons les réseaux sociaux, de puissants modèles d’intelligence artificielle travaillent en arrière-plan. Ces modèles deviennent si volumineux que les puces informatiques conventionnelles peinent à suivre sans consommer d’énormes quantités d’énergie. Cet article décrit un nouveau type de matériel de calcul qui utilise la lumière plutôt que l’électricité pour réaliser des calculs clés de l’IA, visant à rendre les machines futures à la fois plus rapides et bien plus écoénergétiques.

Transformer la lumière en calculatrice

L’IA moderne repose sur des opérations appelées multiplications de matrices, répétées des milliards ou des billions de fois lorsqu’un réseau neuronal analyse des images ou du texte. Les puces électroniques effectuent ce travail de manière fiable mais gaspillent beaucoup d’énergie simplement à déplacer des données à l’intérieur de la puce. Les chercheurs de cette étude s’appuient sur une idée différente : laisser la lumière effectuer les calculs. Dans un réseau neuronal optique, l’information est encodée dans des faisceaux laser, manipulée au passage à travers des lentilles et des modulateurs, puis lue par des capteurs optiques. Parce que les photons ne chauffent pas les fils comme les électrons, de tels systèmes peuvent, en principe, atteindre des vitesses et des efficacités bien supérieures.

Réaliser de nombreux calculs en une seule passe

La plupart des réseaux neuronaux optiques existants ont une limitation : ils ne peuvent gérer qu’un nombre modeste de calculs en parallèle, ou deviennent trop complexes à monter en échelle. Ce travail présente un processeur photonique matriciel « en une seule prise » qui augmente de façon spectaculaire le nombre d’opérations réalisables simultanément. L’idée clé est d’imbriquer l’information dans trois aspects différents de la lumière simultanément — sa position dans l’espace, sa couleur (longueur d’onde) et son temps. En organisant soigneusement ces dimensions, le dispositif peut effectuer une multiplication matrice–matrice complète, comprenant des milliers d’opérations de multiplication et d’accumulation, en un seul passage de lumière à travers le système.

Un réseau de diffraction comme contrôleur de trafic pour la lumière

Au cœur de la conception se trouve un élément optique simple mais puissant : un réseau de diffraction, qui sépare la lumière en différents angles selon sa couleur. L’équipe utilise un système de réseaux tridimensionnel spécialement arrangé, fonctionnant comme un contrôleur de trafic, acheminant de nombreux faisceaux colorés provenant de multiples canaux d’entrée vers des canaux de sortie réordonnés. Les données à traiter sont encodées comme intensités lumineuses sur un ensemble de modulateurs, tandis que les « poids » du réseau neuronal sont encodés sur un autre ensemble. Lorsque les faisceaux se croisent et traversent le réseau, leurs trajectoires sont réordonnées de sorte que chaque canal de sortie somme naturellement les bonnes combinaisons de données et de poids. Des détecteurs à intégration temporelle accumulent ensuite les contributions sur plusieurs brefs pas de temps, étendant ainsi la taille du calcul sans complexifier l’optique.

Du montage de laboratoire aux tâches réelles d’IA

Les auteurs démontrent un processeur tensoriel optique 16×16×16×16, ce qui signifie qu’il peut multiplier une matrice 16×16 par une autre 16×16 en un seul « tir » optique, réalisant 4096 opérations de base à la fois. Le système fonctionne à des fréquences d’horloge multigigahertz et atteint une précision de calcul effective de plus de huit bits, comparable à de nombreux accélérateurs IA pratiques. Pour montrer que ce n’est pas qu’une démonstration de physique, ils utilisent le processeur pour exécuter des parties d’un pipeline de reconnaissance d’images de petite taille : un réseau neuronal convolutionnel qui extrait des caractéristiques d’images de chiffres, suivi d’un réseau entièrement connecté qui les classifie. Même avec le bruit optique et les imperfections matérielles, le montage reconnaît correctement les chiffres manuscrits avec environ 96 % de précision, proche d’une implémentation entièrement numérique du même modèle.

Consommation d’énergie, sensibilité et potentiel d’extension

Parce que l’architecture réutilise les mêmes composants optiques sur de nombreux canaux parallèles et accumule les signaux de manière efficace, chaque opération de base peut être réalisée avec très peu d’énergie — jusqu’à quelques dizaines d’attojoules d’énergie optique par multiplication. Les auteurs estiment une efficacité énergétique globale déjà supérieure à celle de certains accélérateurs IA électroniques de pointe, et soutiennent que des améliorations modestes des modulateurs et des convertisseurs numérique-analogique pourraient propulser cela vers des centaines de trillions d’opérations par seconde par watt. Fait important, la conception évite certains des obstacles de montée en échelle qui gênent d’autres schémas optiques, si bien que des versions plus grandes avec beaucoup plus de canaux (par exemple des matrices 30×30 ou même 60×60) semblent réalisables avec des composants similaires.

Ce que cela signifie pour la technologie du quotidien

En termes simples, cette recherche montre qu’un montage optique relativement simple — une manière intelligente d’acheminer des faisceaux lumineux colorés à travers un réseau de diffraction — peut agir comme un moteur puissant et peu énergivore pour des calculs de type IA. Bien qu’il s’agisse encore d’un prototype de laboratoire, il ouvre la voie à des centres de données et à des appareils en périphérie où des processeurs basés sur la lumière gèreraient les charges de travail neuronales les plus lourdes, réduisant les factures d’énergie et permettant des modèles plus grands et plus rapides. Si de tels processeurs tensoriels photoniques peuvent être intégrés et fabriqués à grande échelle, ils pourraient devenir un élément clé de la prochaine génération de matériel d’intelligence artificielle haute performance et économe en énergie.

Citation: Luan, C., Davis III, R., Chen, Z. et al. Single-shot matrix-matrix photonic processor based on spatial-spectral hypermultiplexed parallel diffraction. Nat Commun 17, 484 (2026). https://doi.org/10.1038/s41467-026-68452-x

Mots-clés: réseaux neuronaux optiques, informatique photonique, multiplication de matrices, matériel IA économe en énergie, réseau de diffraction