L’informatique neuromorphique est une activité interdisciplinaire inspirée par le système nerveux central biologique qui recouvre la physique, l’ingénierie électronique, la photonique, l’informatique, les mathématiques, la robotique, la biologie et d’autres disciplines encore. Le cerveau biologique n’a pas seulement inspiré les méthodes logicielles de l’intelligence artificielle (IA), notamment les réseaux neuronaux artificiels (RNA) utilisés dans l’apprentissage profond, mais aussi l’architecture matérielle. La semaine dernière, des chercheurs ont annoncé la création d’une puce informatique à réseau de neurones photonique capable d’apprentissage automatique de l’IA supervisé et non supervisé, et ont publié leurs résultats dans Nature le 8 mai 2019.
L’équipe de recherche de l’université de Münster, de l’université d’Oxford et de l’université d’Exeter a créé une puce matérielle qui traite les informations comme un cerveau humain, avec des synapses et des neurones artificiels, en utilisant des techniques photoniques de pointe. Les chercheurs écrivent qu’ils ont utilisé « des techniques de multiplexage par répartition en longueur d’onde pour mettre en œuvre une architecture de circuit évolutive pour les réseaux neuronaux photoniques ».
Le dispositif matériel se compose de quatre neurones artificiels et de 60 synapses, disposés de manière à ce qu’il y ait 15 synapses par neurone. Les 15 résonateurs de chaque neurone nécessitaient des longueurs d’onde de résonance différentes pour éviter les chevauchements. Les chercheurs ont réglé le rayon de chaque anneau. Un multiplexeur composé de résonateurs en anneau est utilisé pour « combiner les impulsions lumineuses sur un guide d’ondes et les guider vers le soma du neurone sur la puce » afin de surmonter le défi que représentent « les pointes d’entrée du neurone artificiel envoyées sur des longueurs d’ondes différentes », ont rapporté les chercheurs.
Ensuite, les chercheurs ont créé des simulations pour tester la capacité du matériel pour l’apprentissage automatique supervisé et non supervisé. La raison pour laquelle ils ont utilisé des simulations informatiques était de dépasser la limite des 15 entrées du dispositif matériel pour une expérimentation plus robuste. L’équipe a créé un modèle avec 4096 neurones d’entrée pré-synaptiques avec des synapses PCM (synapse à mémoire de changement de phase).
Les chercheurs ont effectué diverses simulations de reconnaissance de motifs d’ images en utilisant des images de 64×64 pixels, des motifs de bruit et des motifs de visages souriants. En outre, l’équipe a effectué des simulations de détection de la langue à l’aide d’une couche cachée du réseau neuronal afin de tester sa capacité à déterminer si le texte d’entrée était en anglais ou en allemand. Le réseau neuronal artificiel de détection de la langue comporte trois neurones de couche cachée et deux neurones de sortie, en plus de cinq neurones d’entrée pour cinq voyelles.
Après avoir formé des algorithmes d’apprentissage automatique en transmettant des informations par le biais d’impulsions lumineuses, l’équipe a découvert que le réseau neuronal artificiel était capable d’effectuer une reconnaissance des formes.
Selon les chercheurs, « de tels réseaux neurosynaptiques photoniques promettent l’accès à la vitesse et à la largeur de bande élevées inhérentes aux systèmes optiques, permettant ainsi le traitement direct des télécommunications optiques et des données visuelles ».
La renaissance de l’IA après des décennies de sommeil est largement due aux progrès des techniques d’apprentissage en profondeur, à la disponibilité accrue des données massives (big data), à l’essor de l’informatique décentralisée et en nuage, et à l’augmentation générale de l’informatique massivement parallèle, le GPU ayant franchi le gouffre qui le séparait des jeux vidéo pour être adapté à des fins informatiques générales, parmi d’autres tendances récentes. Les progrès réalisés dans le domaine du matériel informatique sont à l’origine de percées dans le domaine des logiciels. Aujourd’hui, les chercheurs ont poussé le concept un peu plus loin en créant du matériel informatique qui agit de la même manière que les neurones et les synapses d’un cerveau humain, grâce à des puces neuromorphiques entièrement optiques capables d’apprendre par elles-mêmes.
Copyright © 2019 Cami Rosso Tous droits réservés.
Références
Feldmann, J., Youngblood, N., Wright, C. D., Bhaskaran, H., Pernice, W. H. P.. « All-optical spiking neurosynaptic networks with self-learning capabilities ». Nature. 8 mai 2019.
