ChatGPT et autres IA incroyablement plus rapides et efficaces avec cette technologie "lumineuse"

L'avenir de l'intelligence artificielle (IA) pourrait passer par la lumière.

Une nouvelle méthode prometteuse, élaborée par des chercheurs de l'Institut Max Planck pour la science de la lumière, propose d'utiliser un système optique pour implémenter les réseaux de neurones. Cette approche innovante pourrait rendre l'apprentissage automatique plus rapide et bien moins énergivore.


Actuellement, les technologies d'apprentissage automatique et d'IA connaissent une expansion rapide, des tâches de vision à la génération de texte, comme illustré par ChatGPT. Cependant, cette croissance exigeante en ressources a conduit à des réseaux de neurones de plus en plus complexes, contenant parfois des milliards de paramètres, ce qui est énergétiquement insoutenable.

Pour répondre à cette problématique, le domaine de l'informatique neuromorphique cherche à remplacer les réseaux de neurones digitaux par des réseaux physiques, capables de réaliser les mêmes opérations mathématiques de manière plus rapide et plus efficace. Les plateformes optiques et photoniques se révèlent particulièrement prometteuses en raison de leur faible consommation énergétique et de leur vitesse de calcul limitée uniquement par la vitesse de la lumière.

Cependant, deux défis majeurs subsistent: la nécessité de hautes puissances laser pour réaliser les calculs mathématiques complexes et l'absence d'une méthode d'apprentissage efficace pour ces réseaux physiques. La méthode proposée par Clara Wanjura et Florian Marquardt surmonte ces obstacles en modifiant la transmission de la lumière.

Cette approche permet d'éviter les interactions physiques compliquées, nécessaires pour les fonctions mathématiques, réduisant ainsi les besoins en haute puissance lumineuse. De plus, l'apprentissage et l'inférence (l'exploitation) du réseau deviennent plus simples, il suffit d'envoyer de la lumière à travers le système et d'observer la lumière transmise.


Les simulations des chercheurs ont démontré que cette méthode peut être utilisée pour des tâches de classification d'images avec une précision équivalente à celle des réseaux numériques. Les prochaines étapes incluent des collaborations expérimentales pour explorer l'implémentation de cette méthode sur différentes plateformes, ouvrant ainsi de nouvelles possibilités pour les dispositifs neuromorphiques.