Une puce photonique du MIT ouvre la voie à une IA plus rapide et plus sobre

Les puces qui font tourner l’intelligence artificielle sont confrontées à une double contrainte : traiter des volumes de données toujours plus grands, tout en limitant l’énergie nécessaire à chaque calcul. Dans ce contexte, des chercheurs du MIT et d’autres institutions ont présenté un processeur photonique qui exploite la lumière, plutôt que seulement les signaux électriques, pour exécuter les opérations fondamentales d’un réseau de neurones profond. Le résultat est un prototype dont la rapidité est mesurée à l’échelle de la nanoseconde, avec une ambition claire : rapprocher l’IA de calculs à la fois plus rapides et plus sobres.

L’avancée ne tient pas seulement au recours à la photonique. Plusieurs démonstrations précédentes savaient déjà effectuer certaines opérations mathématiques par la lumière. Le nouveau circuit s’attaque aussi à l’un des obstacles les plus importants, les fonctions non linéaires qui permettent réellement à un réseau neuronal d’apprendre des relations complexes. Ces opérations peuvent désormais être réalisées sur la puce, sans devoir envoyer les données vers du matériel électronique externe avant de les ramener dans le circuit optique.

Pourquoi les réseaux de neurones poussent les puces électroniques à leurs limites

Les grands systèmes d’apprentissage automatique reposent sur des réseaux de neurones à couches multiples. À chaque étape, ils transforment des données d’entrée, par exemple des pixels, un signal audio ou des mesures scientifiques, afin de produire une classification, une prédiction ou une décision.

Deux familles de calculs y jouent un rôle central :

• les opérations linéaires, dont la multiplication de matrices, qui combinent les données avec les paramètres appris par le modèle ;
• les opérations non linéaires, souvent appelées fonctions d’activation, qui empêchent le réseau de se réduire à une simple succession de calculs linéaires et lui permettent de représenter des motifs complexes.

La multiplication de matrices est particulièrement coûteuse lorsque les modèles gagnent en taille. Dans les processeurs électroniques traditionnels, le déplacement des données entre la mémoire et les unités de calcul, ainsi que les pertes liées aux signaux électriques, pèsent sur la consommation et sur le temps de réponse. Ce constat est crucial pour les centres de données, mais aussi pour les usages où une décision doit être prise quasiment instantanément.

La photonique propose une autre voie. Elle consiste à faire circuler et interagir la lumière dans des circuits intégrés. Dans certaines opérations, la lumière peut naturellement représenter et combiner plusieurs signaux avec une très faible latence. Elle est donc particulièrement intéressante pour les calculs massivement parallèles que demandent les réseaux de neurones.

Comment cette puce photonique effectue les calculs d’IA

Le circuit développé par les chercheurs forme un réseau neuronal optique constitué de modules interconnectés. La lumière transporte l’information et encode les paramètres du réseau. Des diviseurs de faisceau programmables effectuent les calculs de multiplication de matrices, c’est-à-dire les transformations linéaires qui font circuler les données d’une couche du réseau vers la suivante.

Le point décisif réside dans l’ajout d’unités fonctionnelles optiques non linéaires, ou NOFUs. Avant cette étape, le groupe de recherche dirigé par Dirk Englund avait déjà montré que des opérations de multiplication de matrices pouvaient être réalisées grâce à la lumière. Mais les fonctions non linéaires devaient encore passer par une conversion en signaux électriques, puis être traitées par des composants extérieurs.

Cette sortie hors de la puce réduisait l’intérêt de l’optique. Elle ajoutait du temps de traitement, imposait des conversions entre domaines optique et électronique et mobilisait des amplificateurs externes susceptibles d’augmenter la consommation d’énergie. Les NOFUs associent électronique et optique à l’intérieur même du circuit pour intégrer ces fonctions non linéaires au flux de calcul. L’information n’a donc plus besoin de quitter la puce pour franchir cette étape essentielle.

L’architecture mise à l’essai comprend trois couches d’appareils réalisant ces opérations linéaires et non linéaires. Elle ne transforme pas toute l’informatique en photonique, mais elle démontre qu’un réseau neuronal profond peut effectuer sur une même puce l’ensemble des opérations qui lui sont nécessaires.

Quels résultats le prototype a-t-il obtenus ?

Deux chiffres permettent de situer la démonstration. Pour des tâches de classification, le processeur a fourni une précision supérieure à 92 %, avec un calcul réalisé en moins de 0,5 nanoseconde. Une nanoseconde équivaut à un milliardième de seconde : cette mesure illustre l’intérêt de l’optique pour les applications sensibles à la latence.

Les chercheurs rapportent également une précision supérieure à 96 % lors de tests d’entraînement. Cet entraînement dit in situ consiste à entraîner le réseau directement sur la puce. C’est un point important : l’intérêt d’un accélérateur d’IA ne se limite pas à appliquer un modèle déjà entraîné, l’étape appelée inférence. Si les paramètres peuvent aussi être ajustés directement dans le matériel, les allers-retours entre différents systèmes de calcul peuvent être réduits.

Ces deux pourcentages ne doivent toutefois pas être confondus. Ils correspondent à des essais différents, avec des objectifs distincts : l’un porte sur une tâche de classification, l’autre sur l’entraînement du réseau. Ils démontrent le fonctionnement du prototype, mais ne constituent pas un classement général face à tous les processeurs électroniques ni face à toutes les puces d’IA du marché.

Une efficacité énergétique prometteuse, mais à examiner dans son ensemble

L’argument énergétique est au cœur de cette recherche. Les processeurs photoniques peuvent limiter certains coûts associés au calcul électronique, notamment ceux liés aux conversions répétées entre signaux lumineux et électriques, ainsi qu’au recours à des amplificateurs externes. En gardant les opérations clés sur la puce, les chercheurs cherchent à réduire ces pertes et à raccourcir le parcours des données.

Le terme « efficacité énergétique » doit néanmoins être interprété avec précision. L’article de recherche décrit une avancée d’architecture et ne fournit pas, dans les résultats présentés ici, de comparaison chiffrée complète de consommation avec un processeur électronique donné. Or le bilan énergétique d’un système réel dépend de nombreux éléments : sources lumineuses, circuits de contrôle, électronique d’entrée et de sortie, refroidissement, mémoire et volume de données traité.

La promesse est donc celle d’un avantage potentiel à l’échelle du système, surtout pour les calculs parallèles et très répétitifs des réseaux de neurones. Il reste à le mesurer dans des configurations plus grandes et au plus près des contraintes industrielles.

Pourquoi l’industrie ne remplacera pas immédiatement ses puces électroniques

Le prototype ne signe pas la disparition prochaine des processeurs électroniques. L’électronique demeure indispensable à de nombreuses tâches, notamment le contrôle du système, la mémoire, l’échange avec les autres composants et une partie des traitements qui ne se prêtent pas naturellement à l’optique. La trajectoire la plus crédible est celle de systèmes hybrides, dans lesquels une puce photonique sert d’accélérateur spécialisé.

Ce modèle ressemble à l’évolution récente du matériel d’IA : les GPU et les accélérateurs dédiés ne remplacent pas les processeurs centraux, ils prennent en charge les opérations pour lesquelles leur architecture est la plus efficace. Une puce photonique pourrait, de la même manière, être sollicitée pour les parties les plus lourdes d’un réseau neuronal, en particulier les multiplications de matrices.

La précision constitue aussi un sujet de vigilance. Les systèmes de calcul optique sont soumis à des contraintes physiques, telles que la stabilité des signaux lumineux et le contrôle très fin des composants. Obtenir une bonne performance sur une démonstration est une étape majeure, mais le passage à des réseaux beaucoup plus grands exigera de maintenir cette précision tout en conservant les gains de vitesse et d’énergie.

Une fabrication pensée pour l’évolutivité

Autre atout mis en avant par les chercheurs : le circuit peut être fabriqué avec des procédés de fonderie commerciale utilisés pour les puces compatibles avec le CMOS, la technologie qui domine l’industrie des semi-conducteurs. Cette compatibilité ne résout pas à elle seule tous les défis d’industrialisation, mais elle évite de partir d’une chaîne de production entièrement nouvelle.

Elle ouvre aussi la perspective d’une intégration aux systèmes électroniques existants. Pour les fabricants, la question n’est pas seulement de produire une puce photonique fonctionnelle, mais de la connecter efficacement à la mémoire, aux processeurs, aux interfaces de données et aux outils logiciels déjà en place. Un circuit réalisable dans un environnement de fonderie commerciale a donc davantage de chances de passer, à terme, du laboratoire à des produits spécialisés.

Les secteurs évoqués pour cette approche couvrent les télécommunications, la télédétection, l’analyse de données en temps réel et certaines recherches scientifiques, notamment en astronomie. Dans ces domaines, les capteurs ou les réseaux génèrent parfois des flux de données qui doivent être analysés sans délai. Une très faible latence peut alors compter autant que la puissance de calcul brute.

Ce qu’il faut surveiller

La suite dépendra de la capacité à augmenter l’échelle de ces réseaux neuronaux optiques sans perdre les avantages observés sur le prototype. Les chercheurs envisagent de développer de nouveaux algorithmes tirant parti des propriétés spécifiques de l’optique. C’est un point déterminant : le matériel ne donne son plein potentiel que si les méthodes de calcul sont conçues pour lui.

Il faudra aussi comparer, de façon détaillée, la consommation électrique d’un système complet avec celle d’accélérateurs électroniques équivalents, mesurer la fiabilité des puces dans la durée et simplifier leur intégration aux infrastructures informatiques. La puce présentée par le MIT ne remplace pas encore les composants qui équipent les centres de données. Elle montre en revanche qu’il devient possible de confier à la lumière un ensemble bien plus complet de calculs d’IA qu’auparavant, ce qui pourrait redessiner la manière de concevoir les accélérateurs de demain.