Réseaux neuronaux optiques : 2 parties clés pour une IA plus rapide

Les réseaux de neurones optiques corrélés, une nouvelle approche prometteuse pour l’intelligence artificielle, offrent des performances exceptionnelles tout en réduisant les coûts de calcul. Cette technologie innovante ouvre des perspectives dans le domaine du traitement de l’information à l’ère du Big Data.

Ces dernières années, les technologies d’intelligence artificielle, en particulier les algorithmes d’apprentissage automatique, ont connu des progrès considérables. Ces technologies ont permis une efficacité sans précédent dans des tâches telles que la reconnaissance d’images, la génération et le traitement du langage naturel, ainsi que la détection d’objets.

Ces fonctionnalités exceptionnelles nécessitent par contre une puissance de calcul substantielle comme fondement. À l’heure actuelle, les ressources informatiques permettant d’y parvenir approchent de leur limite. Par conséquent, la réduction efficace du coût d’entraînement des modèles d’apprentissage automatique et l’amélioration de leur efficacité d’entraînement constituent un enjeu majeur dans le domaine de la recherche.

Pour résoudre ce problème, d’importants efforts ont été déployés dans deux directions de recherche : les réseaux de neurones optiques et les réseaux de neurones quantiques. Les réseaux de neurones optiques utilisent des méthodes avancées de manipulation optique pour exécuter des algorithmes d’apprentissage automatique dans le traitement classique de l’information optique. Ils présentent des avantages uniques tels qu’une faible consommation d’énergie, une faible diaphonie et une faible latence de transmission.

Toutefois, les réseaux de neurones optiques actuels ne présentent pas d’accélération algorithmique, comme une vitesse de convergence plus rapide des modèles. Les réseaux de neurones quantiques sont des algorithmes de réseaux de neurones basés sur la théorie de l’informatique quantique.

Des recherches récentes ont montré que les réseaux de neurones quantiques peuvent démontrer une accélération algorithmique en raison des corrélations quantiques. Toutefois, en raison de limitations techniques, il est actuellement difficile d’exécuter ces algorithmes de réseaux de neurones sur du matériel à grande échelle, ce qui rend leur application difficile pour les problèmes pratiques auxquels les gens sont confrontés actuellement.

a, un scénario illustratif pour un réseau neuronal convolutionnel optique corrélé. La structure de base comprend quatre parties : la source de lumière corrélée (colorée en brun), la convolution (colorée en bleu), la mise en commun (colorée en orange) et les détections (colorées en noir). Les stratégies de mise en œuvre de la convolution et de la mise en commun sont indiquées dans les cases en pointillés. Les éléments de base comprennent des plaques d’onde, des interféromètres et des dispositifs optiques non linéaires. b, la performance d’entraînement du réseau neuronal convolutionnel optique corrélé (ligne verte) dans une tâche de classification binaire, comparée au réseau neuronal convolutionnel classique (ligne bleue). Les courbes montrent que le réseau neuronal convolutif optique corrélé converge plus rapidement que le réseau classique. c, la performance d’apprentissage du réseau neuronal convolutif optique corrélé (ligne magenta) dans une tâche de classification quadruple, par rapport au réseau neuronal convolutif classique (ligne rouge). Les courbes montrent également que le réseau neuronal convolutionnel optique corrélé converge plus rapidement que le réseau classique. d. Résultats expérimentaux du réseau neuronal convolutionnel optique corrélé pour l’identification de la phase topologique des états quantiques. Le panneau de gauche montre les résultats expérimentaux, dont les coordonnées x-y sont les paramètres des états. En prenant la dérivée de second ordre des résultats, les limites de phase peuvent être obtenues. Le panneau de droite donne la comparaison des limites obtenues par les expériences avec celles calculées par le réseau de neurones. Les deux résultats correspondent bien, ce qui confirme la correspondance entre les réseaux neuronaux convolutionnels optiques corrélés et les réseaux convolutionnels quantiques. Crédit : by Yifan Sun, Qian Li, Ling-Jun Kong, and Xiangdong Zhang

Dans un nouvel article publié dans Light Science & Application, une équipe de scientifiques en Chine, et ses collaborateurs ont développé un nouveau type de réseau de neurones optiques capable de présenter une accélération analogue à celle d’un réseau de neurones quantiques. Cette propriété intéressante émerge grâce à l’introduction de corrélations optiques classiques comme support de l’information. En fait, en utilisant ce type de support, on peut imiter le mode de traitement de l’information permis par l’informatique quantique, ce qui a été prouvé par des travaux antérieurs des chercheurs.

Sur la base de cette propriété, les chercheurs développent l’opération de convolution et de pooling sur l’état optique corrélé, et établissent finalement un réseau de neurones à convolution optique corrélé. Ce réseau de neurones optiques a une correspondance biunivoque avec le réseau de neurones à convolution quantique. Il montre une accélération du processus d’apprentissage sur certains ensembles de données, et peut être appliqué pour identifier le caractère des états quantiques selon un principe de codage particulier. La méthode et la technique rapportées ouvriront de nouvelles voies pour la réalisation de réseaux de neurones optiques algorithmiquement améliorés, ce qui profitera au traitement de l’information à l’ère du Big Data.

La structure de base d’un réseau de neurones à convolution optique corrélé comprend quatre parties : la source de lumière corrélée, la convolution, le pooling et les détections. Le traitement de base de l’état optique corrélé est effectué par la partie convolution et la partie pooling. Contrairement à celles appliquées dans les réseaux de neurones à convolution classiques, ces deux parties dans le réseau de neurones optiques à convolution corrélée manipulent la corrélation des états optiques et génèrent des états corrélés plus simples en fusionnant les faisceaux.

« Ces deux parties effectuent en fait des opérations analogues aux portes quantiques dans les réseaux de neurones à convolution quantique », ont déclaré les scientifiques à l’origine de ces travaux.

« La partie convolution de notre réseau est composée d’opérations unitaires sur l’état optique corrélé. C’est comme les opérations unitaires sur l’espace de Hilbert des qubits. La partie pooling que nous considérons est équivalente à la mesure de qubits partiels pour obtenir un sous-espace de Hilbert. Cette partie entraîne une diminution exponentielle de la dimension des données. Ainsi, la fonction de ces deux parties contribue à une convergence plus rapide de la fonction de perte lors de l’apprentissage de certains ensembles de données. En outre, nous certifions également la similitude de notre réseau de neurones à convolution optique corrélé avec le réseau de neurones à convolution quantique en effectuant l’identification de la phase topologique des états quantiques. La certification est étayée par des résultats théoriques et expérimentaux. »

Une alternative plus abordable aux réseaux de neurones quantiques

« Les résultats indiquent également que les propriétés du réseau de neurones quantiques peuvent être réalisées de manière plus abordable », ont-ils ajouté. « Malgré les avantages potentiels des réseaux de neurones quantiques, leur mise en œuvre pratique nécessite des circuits quantiques profonds avec de nombreuses portes multi-qubits et des mesures compliquées. Cela nécessite des ressources importantes pour stabiliser les circuits et corriger les erreurs, ce qui est techniquement difficile en raison des perturbations environnementales inévitables. Une alternative potentiellement meilleure consiste à trouver un système décrit par les mêmes mathématiques que la théorie quantique et moins perturbé par l’environnement. Les réseaux de neurones optiques corrélés proposés en sont un exemple, comme en témoignent la facilité d’agencement des éléments et les faibles exigences sur les circonstances dans nos expériences. Compte tenu de la croissance exponentielle des données et de la rareté des ressources pour un calcul de haute qualité, notre approche présente une solution rentable et performante qui pourrait avoir de nombreuses applications dans divers domaines de recherche en science des données. »

En synthèse

Les réseaux de neurones optiques corrélés représentent une avancée majeure dans le domaine de l’intelligence artificielle. En exploitant les corrélations optiques classiques comme support de l’information, cette approche innovante permet d’obtenir des performances similaires à celles des réseaux de neurones quantiques, tout en étant plus abordable et plus facile à mettre en œuvre. Les résultats prometteurs obtenus par l’équipe de chercheurs ouvrent de nouvelles perspectives pour le traitement de l’information à l’ère du Big Data, avec de nombreuses applications potentielles dans divers domaines de recherche en science des données.

Pour une meilleure compréhension

Qu’est-ce qu’un réseau de neurones optiques corrélés ?

Un réseau de neurones optiques corrélés est un nouveau type de réseau de neurones optiques capable de présenter une accélération analogue à celle d’un réseau de neurones quantiques, grâce à l’introduction de corrélations optiques classiques comme support de l’information.

Quels sont les avantages des réseaux de neurones optiques corrélés ?

Les réseaux de neurones optiques corrélés offrent des performances similaires aux réseaux de neurones quantiques, tout en étant plus abordables et plus faciles à mettre en œuvre. Ils nécessitent moins de ressources pour stabiliser les circuits et corriger les erreurs, ce qui les rend moins sensibles aux perturbations environnementales.

Comment les réseaux de neurones optiques corrélés traitent-ils l’information ?

Les réseaux de neurones optiques corrélés manipulent la corrélation des états optiques et génèrent des états corrélés plus simples en fusionnant les faisceaux. La partie convolution effectue des opérations unitaires sur l’état optique corrélé, tandis que la partie pooling mesure des qubits partiels pour obtenir un sous-espace de Hilbert, réduisant ainsi la dimension des données.

Quelles sont les applications potentielles des réseaux de neurones optiques corrélés ?

Les réseaux de neurones optiques corrélés pourraient avoir de nombreuses applications dans divers domaines de recherche en science des données, notamment dans le traitement de l’information à l’ère du Big Data. Ils offrent une solution rentable et performante pour faire face à la croissance exponentielle des données et à la rareté des ressources de calcul de haute qualité.

Quelles sont les perspectives futures pour les réseaux de neurones optiques corrélés ?

Les résultats prometteurs obtenus par l’équipe de chercheurs ouvrent de nouvelles voies pour la réalisation de réseaux de neurones optiques algorithmiquement améliorés. Les futures recherches pourraient se concentrer sur l’optimisation de ces réseaux et l’exploration de nouvelles applications dans divers domaines, afin de tirer pleinement parti de leur potentiel pour le traitement de l’information à l’ère du Big Data.