Réseaux neuronaux physiques : la lumière ouvre une voie vers une IA plus sobre

L’intelligence artificielle moderne consomme toujours plus de puissance de calcul. À mesure que les modèles gagnent en taille et que les usages se multiplient, l’entraînement comme l’exécution des réseaux neuronaux sollicitent des infrastructures électroniques considérables. Une collaboration internationale propose une piste différente : effectuer une partie de ces calculs avec la lumière, au sein de circuits photoniques miniaturisés. L’enjeu n’est pas de remplacer demain tous les ordinateurs, mais de repenser les opérations les plus coûteuses pour construire une IA potentiellement plus rapide et plus sobre.

Les travaux, publiés dans Nature, portent sur les réseaux neuronaux physiques, une famille de systèmes qui s’appuient directement sur des phénomènes matériels pour transformer l’information. Dans le cas étudié, ce sont les propriétés de faisceaux lumineux et leurs interférences qui sont mises à profit. Les chercheurs se sont surtout attaqués à un obstacle déterminant : entraîner ces réseaux sans revenir sans cesse à des conversions entre signaux physiques et données numériques.

Pourquoi l’IA cherche-t-elle de nouveaux supports de calcul ?

Un réseau neuronal artificiel est un programme inspiré, de façon très lointaine, de l’organisation des neurones biologiques. Il reçoit des données, les fait passer par de nombreuses couches de calcul et ajuste progressivement des paramètres afin de produire une réponse utile : reconnaître un objet, classer un signal, prédire une valeur ou prendre une décision.

Dans les systèmes informatiques courants, ces calculs sont réalisés sous forme numérique, à l’aide de processeurs et de puces spécialisées. Cette organisation est particulièrement flexible et fiable. Elle présente toutefois une difficulté lorsque l’on multiplie les opérations : déplacer, convertir, stocker puis traiter les données mobilise du temps et de l’énergie.

La montée en puissance de l’IA renforce cette contrainte. Les modèles plus complexes demandent davantage de calculs, tandis que certaines applications exigent une réponse quasi instantanée. C’est le cas, par exemple, de systèmes embarqués qui analysent des images ou des signaux directement là où ils sont captés. Envoyer toutes les données vers un centre de données distant n’est pas toujours souhaitable ni pratique.

Les réseaux neuronaux physiques cherchent donc à exploiter les propriétés d’un support matériel pour réaliser le calcul lui-même. Selon les architectures, il peut s’agir de dispositifs optiques, de circuits analogiques ou d’autres phénomènes physiques, y compris des effets quantiques. L’étude évoquée ici se concentre sur la photonique, c’est-à-dire l’utilisation de la lumière dans des circuits intégrés.

Comment un circuit photonique peut-il effectuer des calculs ?

La lumière n’est pas seulement utile pour transmettre des données dans les fibres optiques. Lorsqu’elle circule dans un circuit photonique, elle peut aussi être dirigée, répartie et recombinée. Les interférences entre différents faisceaux permettent alors de représenter et de transformer des informations.

Dans ces travaux, les circuits photoniques sont conçus pour exécuter des opérations mathématiques essentielles aux réseaux neuronaux, notamment les additions et les multiplications. Ce sont elles qui permettent de combiner les données d’entrée avec les paramètres appris par le réseau. Ces opérations sont intégrées sur des microcircuits de quelques millimètres carrés.

L’intérêt de cette approche est que certaines transformations sont obtenues par le comportement même de la lumière dans le composant. Là où une machine numérique enchaîne des instructions électroniques, un circuit photonique exploite directement un phénomène d’interférence. Il ne s’agit pas d’une magie technologique : le circuit doit être conçu avec précision, alimenté et contrôlé. Mais la manière dont il réalise les calculs peut réduire le nombre d’étapes numériques nécessaires.

Le mot important est ici « analogique ». Dans un calcul numérique, l’information est représentée par des valeurs discrètes. Dans un dispositif analogique, elle peut être portée par une grandeur physique continue, telle que l’intensité ou la phase d’un signal lumineux. Cette propriété peut être avantageuse pour certaines opérations répétitives, mais elle impose aussi de maîtriser finement les variations du matériel.

L’entraînement « in-situ », l’étape qui change la donne

Faire fonctionner un réseau neuronal une fois qu’il a été entraîné est une chose. Le former en est une autre, souvent beaucoup plus exigeante. L’entraînement consiste à présenter des exemples au système, à comparer ses réponses avec le résultat attendu, puis à ajuster ses paramètres pour réduire les erreurs. Répétée un très grand nombre de fois, cette boucle est au cœur des progrès de l’apprentissage automatique.

La recherche menée avec l’impulsion du professeur Francesco Morichetti s’intéresse précisément à cette phase. Les équipes ont développé des techniques d’entraînement dites « in-situ », réalisées entièrement au moyen de signaux lumineux. Autrement dit, le dispositif physique n’est pas seulement utilisé pour appliquer un réseau déjà configuré : il participe directement au processus qui règle ses paramètres.

Cette nuance est essentielle. Dans nombre d’approches matérielles, le calcul peut être accéléré par un composant spécialisé, mais l’entraînement reste largement pris en charge par une machine numérique externe. La méthode décrite vise au contraire à limiter les aller-retours entre le monde optique et le monde numérique.

Francesco Morichetti résume l’intérêt de ces travaux ainsi : « Nos circuits photoniques permettent des calculs avec une réduction significative des opérations de numérisation. » Cette réduction est au centre de la promesse énergétique de la technologie. Convertir continuellement les informations physiques en données numériques, puis l’inverse, peut annuler une part des bénéfices attendus d’un calcul analogique.

Des gains potentiels, mais pas une promesse d’IA sans impact

Associer la lumière à une IA « durable » ne signifie pas que tout calcul photonique serait automatiquement écologique. L’impact environnemental réel d’un système dépend de nombreux éléments : sa fabrication, les composants électroniques qui l’accompagnent, son alimentation, son refroidissement, sa durée d’utilisation et le type de tâche qu’il accomplit.

Les résultats présentés ne fournissent pas de bilan chiffré global de consommation énergétique ou d’empreinte carbone. Leur apport est ailleurs : ils démontrent une voie pour réduire de façon significative les opérations de numérisation pendant les calculs et l’entraînement. C’est un levier pertinent, car l’efficacité de l’IA ne dépend pas uniquement de la vitesse des puces. Elle dépend aussi de la quantité de données déplacées et du nombre de conversions requises à chaque étape.

Les circuits photoniques pourraient également raccourcir le temps de traitement pour les opérations auxquelles ils sont adaptés. La lumière se propage rapidement et les interférences permettent de traiter certaines combinaisons de signaux de manière très directe. Cependant, un réseau neuronal complet ne se résume pas à une addition ou à une multiplication. Il faut aussi gérer la mémoire, le pilotage du système, la programmation, les données d’entrée et la fiabilité des résultats.

Quelles applications sont envisagées ?

Les applications les plus évidentes sont celles qui exigent une analyse locale et très réactive. Les chercheurs évoquent notamment des dispositifs capables de traiter des données en temps réel sur place, sans les transmettre systématiquement vers une infrastructure distante.

Les voitures autonomes constituent un exemple parlant. Elles reposent sur de multiples capteurs et doivent interpréter rapidement leur environnement. Un traitement plus proche du véhicule peut réduire les délais liés aux communications à distance. Les capteurs intégrés à des dispositifs portables représentent une autre piste : ils pourraient analyser certains signaux au plus près de la personne ou de l’objet équipé.

Il faut toutefois distinguer les cas d’usage envisagés des produits prêts à être commercialisés. Les travaux décrivent une avancée de recherche sur les principes de calcul et d’entraînement. Passer à des systèmes embarqués fiables suppose encore d’intégrer ces circuits dans des appareils complets, de vérifier leur robustesse dans des conditions variées et de démontrer qu’ils apportent un bénéfice net par rapport aux solutions électroniques existantes.

Une recherche portée par plusieurs institutions européennes

Ce projet repose sur une collaboration internationale réunissant des acteurs de premier plan dans les domaines de la photonique, de l’informatique et des systèmes physiques. Parmi les institutions citées figurent le Politecnico di Milano, l’École polytechnique fédérale de Lausanne, l’Université de Cambridge et des équipes liées au Max Planck Institute.

Cette coopération illustre la nature profondément interdisciplinaire du sujet. Concevoir un réseau neuronal photonique ne relève pas seulement de l’intelligence artificielle. Il faut combiner la conception de composants optiques, la physique des signaux, les méthodes d’apprentissage et les outils de contrôle du matériel. L’entraînement « in-situ » demande en particulier que l’algorithme et le circuit soient pensés ensemble.

La publication dans Nature apporte une visibilité importante à ces recherches. Elle ne doit pas être confondue avec une preuve que la photonique va supplanter à court terme les processeurs numériques généralistes. Elle confirme plutôt qu’une solution technique prometteuse existe pour un problème précis : rendre l’apprentissage de réseaux physiques plus efficace en s’appuyant sur le support de calcul lui-même.

Ce qu’il faut surveiller

La prochaine étape consistera à mesurer la solidité de ces réseaux en dehors des conditions de laboratoire. Une technologie d’IA n’est utile que si elle conserve ses performances malgré les variations de température, les imperfections de fabrication, le vieillissement des composants et la diversité des données réelles.

Il faudra aussi comparer ces circuits à des systèmes numériques de référence sur des tâches identiques. La vitesse ou la sobriété ne peuvent être évaluées sérieusement qu’à l’échelle d’un système complet, incluant les éléments optiques, électroniques et logiciels nécessaires à son fonctionnement. Les gains annoncés devront donc être appréciés au cas par cas.

Enfin, la question de la fabrication à grande échelle sera déterminante. Des microcircuits photoniques efficaces en laboratoire doivent pouvoir être produits, intégrés et maintenus à un coût compatible avec les usages visés. Si ces verrous sont levés, les réseaux neuronaux physiques pourraient trouver une place complémentaire dans l’écosystème de l’IA, notamment là où la rapidité, le traitement local et l’efficacité énergétique comptent autant que la polyvalence.