Photonique sur silicium : une piste pour réduire l’énergie des puces d’IA

L’intelligence artificielle ne se résume pas aux modèles qui génèrent du texte ou des images. Derrière eux, les centres de données mobilisent des milliers de processeurs et déplacent en continu d’immenses volumes de données. À mesure que les modèles gagnent en taille et que leurs usages se généralisent, la consommation électrique du calcul devient une contrainte technique, économique et environnementale. C’est dans ce contexte que la photonique sur silicium suscite l’intérêt : plutôt que de faire circuler et traiter tous les signaux sous forme électrique, elle utilise aussi la lumière directement sur une puce.

Des travaux menés sous la direction du Dr Bassem Tossoun, scientifique principal chez Hewlett Packard Labs, décrivent une plateforme matérielle destinée à l’accélération de l’IA. Son principe consiste à réunir des circuits photoniques en silicium et des semi-conducteurs composés dits III-V. L’objectif n’est pas de déclarer les GPU obsolètes, mais de proposer une brique spécialisée pour les calculs où le débit et l’énergie consommée constituent les limites principales.

Pourquoi les besoins matériels de l’IA augmentent-ils si vite ?

L’entraînement d’un modèle d’IA comme son utilisation reposent sur une succession considérable d’opérations mathématiques. Les réseaux neuronaux manipulent notamment des tableaux de nombres, appelés matrices et vecteurs. Multiplier ces tableaux est une tâche que les GPU réalisent très efficacement, car ils peuvent mener de nombreux calculs en parallèle.

Cette efficacité a fait des GPU la fondation des infrastructures d’IA actuelles. Mais elle a aussi un coût. Chaque donnée doit être lue, déplacée, stockée et traitée. Dans un système électronique, ces transferts entraînent des pertes d’énergie sous forme de chaleur. Plus les charges de travail sont lourdes, plus il faut alimenter et refroidir les équipements.

Le défi ne porte donc pas seulement sur la puissance de calcul brute. Il concerne aussi la quantité d’énergie nécessaire pour obtenir un résultat, la capacité à augmenter le nombre de puces déployées et la place occupée dans les centres de données. Une architecture plus frugale pourrait permettre de traiter davantage de requêtes ou d’entraîner certains modèles avec une même enveloppe énergétique.

Ce que change la photonique sur silicium

La photonique sur silicium consiste à fabriquer, sur un substrat de silicium, des composants capables de guider, moduler, amplifier ou détecter la lumière. Au lieu de transporter une information seulement via des électrons dans des conducteurs, un circuit photonique fait circuler des signaux lumineux dans de très petits guides d’onde intégrés à la puce.

Pour l’IA, l’intérêt est particulièrement fort pour les opérations linéaires, telles que les multiplications de matrices. Dans un réseau neuronal optique, ou ONN pour optical neural network, des signaux lumineux peuvent être réglés et combinés pour représenter ces opérations. La lumière se propage extrêmement vite et, dans certaines configurations, l’opération peut être réalisée avec des pertes énergétiques limitées.

Il faut toutefois éviter un raccourci fréquent. Dire qu’un circuit photonique calcule « à la vitesse de la lumière » ne signifie pas que l’ensemble d’un système d’IA devient instantané. Les données doivent toujours être préparées, parfois converties entre les domaines électrique et optique, puis récupérées et exploitées par des composants électroniques. Les mémoires, les communications entre puces et les étapes de calcul non optiques comptent également dans les performances finales.

La promesse de la photonique réside donc moins dans un remplacement universel de l’électronique que dans une coopération entre les deux mondes. L’optique pourrait prendre en charge les calculs les plus adaptés, tandis que l’électronique conserverait les fonctions de contrôle, de mémoire et de traitement généraliste.

Pourquoi combiner silicium et semi-conducteurs III-V ?

Le silicium offre un avantage industriel majeur : il est au cœur de la fabrication des puces électroniques et permet de produire des composants avec des procédés largement maîtrisés. Il est particulièrement utile pour créer des circuits photoniques denses, capables de guider la lumière sur une puce.

Mais le silicium n’est pas le matériau idéal pour toutes les fonctions optiques. Les travaux présentés s’appuient donc sur une intégration hétérogène, c’est-à-dire l’association de matériaux différents au sein du même dispositif. Les semi-conducteurs composés III-V apportent des propriétés importantes pour les composants actifs, notamment les sources lumineuses et les amplificateurs.

Cette association cherche à réunir, sur une plateforme unique, les briques nécessaires à un accélérateur photonique complet : des lasers intégrés, des amplificateurs, des modulateurs, des détecteurs rapides et des circuits de contrôle. Réduire le nombre d’interconnexions entre composants séparés peut aussi limiter les pertes optiques et faciliter la montée en complexité des circuits.

Les auteurs présentent cette approche comme une réponse à un obstacle persistant de la photonique sur silicium. Le matériau est relativement facile à fabriquer, mais l’augmentation de la taille et de la complexité des circuits photoniques intégrés reste difficile. Intégrer davantage de fonctions sur une même puce est donc déterminant pour passer de démonstrateurs spécialisés à des accélérateurs réellement exploitables.

GPU et accélérateurs photoniques : deux approches complémentaires

Les GPU et les circuits intégrés photoniques ne répondent pas exactement aux mêmes priorités. Le premier excelle dans la souplesse d’usage et dispose d’un vaste écosystème logiciel. Le second cherche à optimiser des catégories précises de calculs qui dominent les réseaux neuronaux.

Comment cette puce photonique est-elle fabriquée ?

La plateforme décrite repose sur des tranches de silicium sur isolant, souvent désignées par l’acronyme SOI. Dans ce type de matériau, une fine couche de silicium active est séparée du substrat par une couche isolante. Cette structure aide à confiner les signaux et convient à la fabrication de circuits photoniques intégrés.

La réalisation combine plusieurs étapes de microfabrication : lithographie, gravure sèche, dopage et croissance sélective de silicium et de germanium. La lithographie sert à dessiner les motifs microscopiques des circuits. La gravure retire ensuite la matière aux endroits nécessaires, tandis que le dopage modifie localement les propriétés électriques du silicium.

Les travaux mentionnent également des dispositifs MOSCAP et des photodiodes à avalanche, ou APD. Une photodiode convertit un signal lumineux en signal électrique. Dans une APD, un mécanisme d’amplification interne améliore la sensibilité du détecteur. Ces éléments sont importants : un réseau optique ne peut être exploité par un système informatique que si ses signaux sont détectés rapidement et de façon fiable.

La croissance sélective de silicium et de germanium sert précisément à former des couches nécessaires à ces photodiodes. L’intégration hétérogène avec les semi-conducteurs III-V complète l’ensemble en ajoutant les fonctions optiques actives. Cette chaîne de fabrication illustre la difficulté du projet : une puce photonique performante ne dépend pas d’un composant isolé, mais de la cohabitation précise de nombreux matériaux et dispositifs.

Quel gain d’efficacité énergétique est annoncé ?

Les travaux font état d’une efficacité énergétique 2,9 × 10² fois supérieure, soit 290 fois, à celle d’autres plateformes photoniques prises comme référence. Ce résultat souligne l’intérêt de l’architecture intégrée proposée, notamment pour réduire les pertes liées au transport et au traitement des signaux optiques.

Ce chiffre doit néanmoins être interprété dans son périmètre. Il ne s’agit pas d’une équivalence universelle entre une puce photonique et n’importe quel GPU, ni d’une estimation directe de la consommation totale d’un centre de données. La comparaison annoncée porte sur d’autres plateformes photoniques. Or, l’énergie réellement dépensée dans une infrastructure dépend aussi des serveurs, des mémoires, des réseaux, du refroidissement et du type précis de tâche IA exécutée.

L’intérêt de cette plateforme est d’abord architectural. En intégrant des composants actifs et des détecteurs rapides sur une même puce, elle pourrait fournir une base pour des accélérateurs photoniques à plus grande échelle et à meilleure efficacité énergétique. Les centres de données pourraient alors absorber une part croissante des charges de travail d’IA sans faire progresser au même rythme leurs besoins électriques.

Quelles applications peut viser cette technologie ?

Les réseaux neuronaux optiques sont envisagés pour des usages de machine learning où les calculs matriciels sont particulièrement nombreux. Cela peut concerner l’analyse de grands jeux de données, l’inférence de modèles, c’est-à-dire leur utilisation pour produire une prédiction ou une réponse, ainsi que certaines étapes de leur entraînement.

Dans les centres de données, l’enjeu est double. Une meilleure efficacité par opération peut réduire les coûts d’électricité et de refroidissement. Une forte intégration sur puce peut aussi aider à densifier les équipements et à augmenter le volume de tâches traitées dans un espace donné. Ces perspectives intéressent les opérateurs d’infrastructures, mais aussi les entreprises qui conçoivent des systèmes d’IA nécessitant des calculs intensifs.

La technologie pourrait également élargir la place de la photonique dans les chaînes de traitement de données. Les circuits optiques ne servent pas seulement aux télécommunications. Lorsqu’ils sont couplés à des dispositifs de calcul et de détection suffisamment intégrés, ils peuvent devenir une composante à part entière du matériel informatique destiné à l’IA.

Ce qu’il faut surveiller avant un déploiement à grande échelle

La démonstration d’une plateforme intégrée est une étape importante, mais elle ne suffit pas à garantir une adoption massive. Le premier enjeu est la scalabilité : il faut pouvoir produire des puces complexes de manière fiable, avec de bons rendements et à un coût compatible avec les infrastructures de calcul.

Le deuxième porte sur l’interopérabilité. Les accélérateurs photoniques devront fonctionner avec les processeurs, les mémoires, les réseaux et les outils logiciels déjà présents dans les centres de données. Leur valeur dépendra de la facilité avec laquelle les développeurs pourront les utiliser sans réécrire entièrement leurs modèles et leurs chaînes de traitement.

Enfin, toutes les charges de travail d’IA ne profiteront pas de la même manière de l’optique. Les performances devront être évaluées sur des tâches variées, en tenant compte de l’ensemble du système et non de la seule puce. Au 11 avril 2025, la photonique sur silicium apparaît surtout comme une voie crédible pour rendre certains calculs d’IA plus soutenables, à condition de franchir ces étapes d’industrialisation et d’intégration.