Les systèmes de réseaux neuronaux photoniques, rapides et économes en énergie, sont particulièrement utiles pour traiter de grandes quantités de données. Afin de faire progresser les technologies informatiques de type cerveau photonique, un groupe de chercheurs de l’Université de Strathclyde a combiné un réseau neuronal à base de pointes avec un laser à semi-conducteurs présentant des comportements de neurones à pointes.
Récemment, ils ont présenté une opération de réseau neuronal photonique à pointes haute performance avec des exigences d’apprentissage réduites et ont introduit un nouveau schéma d’apprentissage pour obtenir de meilleurs résultats.
Réseaux neuronaux et photoniques
Les réseaux neuronaux, inspirés des réseaux de neurones biologiques, ont révolutionné l’intelligence artificielle en fournissant des solutions efficaces à des tâches complexes.
Pour exploiter davantage leur potentiel, les chercheurs ont intégré d’autres technologies dans les réseaux neuronaux artificiels et ont connu un certain succès.
Un exemple réussi des avantages de l’utilisation de la lumière est que les systèmes de réseaux neuronaux photoniques ou à base de lumière fonctionnent avec une vitesse plus rapide et une meilleure efficacité énergétique, ce qui les rend particulièrement utiles pour traiter de grandes quantités de données et prometteurs pour les futures applications d’intelligence artificielle.
Le réseau neuronal à pointes photonique
Le réseau neuronal basé sur les pointes proposé par les auteurs est basé sur un système photonique convivial pour le matériel, composé d’un seul laser à cavité verticale émettant en surface (VCSEL), un dispositif couramment disponible dans les téléphones mobiles.
Cette proposition représente une amélioration par rapport à une étude antérieure des mêmes auteurs, dans laquelle ils ont combiné le calcul en réservoir, une méthode puissante pour construire des réseaux neuronaux photoniques et résoudre des tâches complexes, avec un neurone à pointes construit à l’aide d’un laser du même type.
Amélioration de la vitesse et de l’efficacité de l’apprentissage
Dans l’article actuel, les auteurs ont accompli une tâche de classification plus difficile et ont appliqué un schéma d’apprentissage alternatif pour améliorer la vitesse et l’efficacité de l’apprentissage tout en réduisant les exigences d’apprentissage. La tâche de classification qu’ils ont abordée est un problème complexe, multivarié et non linéaire impliquant 500 caractéristiques par point de données, et est basée sur l’ensemble de données artificiel MADELON.
Résultats et performances
Les auteurs ont démontré avec succès la puissance de calcul du réseau neuronal photonique à pointes avec une méthode d’apprentissage par régression des moindres carrés traditionnelle et leur nouvelle méthode d’apprentissage «significative». Cette dernière attribue des poids binaires aux nœuds en fonction de leur utilité et de leur importance globales.
Les deux méthodes ont atteint d’excellentes précisions de classification de plus de 94%, dépassant les performances de référence en une fraction du temps de traitement. Les précisions obtenues avec la nouvelle méthode étaient de 94,4% et 95,7%, supérieures à celles obtenues par la méthode traditionnelle.
En synthèse
En conclusion, le réseau neuronal photonique à pointes proposé surpasse les systèmes de traitement numérique à semi-conducteurs traditionnels avec ses performances ultra-rapides, sa faible consommation d’énergie et sa mise en œuvre conviviale pour le matériel qui utilise un seul laser pour traiter tous les nœuds virtuels.
Les auteurs estiment que cette étude pourrait créer de nouvelles possibilités pour les systèmes de traitement à base de photonique fonctionnant entièrement sur du matériel optique, leur permettant de résoudre des tâches hautement complexes avec une grande précision, une grande vitesse et un fonctionnement éco-énergétique.
Cette recherche a été publiée le 29 août dans Intelligent Computing, a Science Partner Journal.
Référence : « Photonic Spiking Neural Networks with Highly Efficient Training Protocols for Ultrafast Neuromorphic Computing Systems » – DOI:10.34133/icomputing.0031
