Des scientifiques de Pékin révèlent un réseau neuronal optique révolutionnaire, transformant l'entraînement de l'IA

Dans un développement révolutionnaire, des chercheurs de l'Institut de technologie de Pékin, dirigés par le professeur Xiangdong Zhang, ont dévoilé un nouveau type de réseau neuronal optique (ONN) qui démontre un « accélération quantique » remarquable. 

Cette innovation exploite les corrélations optiques classiques pour améliorer considérablement la puissance de calcul des ONN. Publiée dans Light Science & Application, cette réalisation représente un pas de géant vers la satisfaction de la demande croissante de modèles d'apprentissage automatique efficaces tout en atténuant les limitations des ressources de calcul.

Améliorer l'efficacité de l'IA avec les réseaux neuronaux optiques et quantiques.

Les technologies d'intelligence artificielle (IA), en particulier les algorithmes d'apprentissage automatique, ont connu des progrès considérables ces dernières années, permettant des capacités sans précédent dans des tâches telles que la reconnaissance d'images, le traitement du langage naturel et la détection d'objets.

Cependant, ces avancées ont un coût – elles nécessitent des ressources de calcul substantielles. L'état actuel de la puissance de calcul approche de ses limites, nécessitant la réduction des coûts d'entraînement et l'amélioration de l'efficacité de l'entraînement des modèles d'apprentissage automatique.

Les chercheurs ont concentré leurs efforts sur deux axes principaux pour relever ce défi : les réseaux neuronaux optiques (ONN) et les réseaux neuronaux quantiques. Les ONN utilisent des techniques avancées de manipulation optique pour exécuter des algorithmes d'apprentissage automatique dans le traitement classique de l'information optique. 

Ces réseaux offrent plusieurs avantages, notamment une faible consommation d'énergie, une faible diaphonie et une faible latence de transmission. Cependant, les ONN traditionnels manquent d'accélération algorithmique, ce qui signifie qu'ils ne présentent pas de vitesses de convergence de modèle plus rapides.

D'autre part, les réseaux neuronaux quantiques sont des algorithmes de réseaux neuronaux fondés sur la théorie de l'informatique quantique. Des études récentes ont montré que les réseaux neuronaux quantiques peuvent atteindre une accélération algorithmique grâce aux corrélations quantiques. Malheureusement, les applications pratiques des réseaux neuronaux quantiques sont entravées par des limitations techniques, ce qui rend leur déploiement à grande échelle difficile.

Réseaux neuronaux convolutifs optiques corrélés

La percée présentée dans l'article récent implique le développement d'un nouveau réseau neuronal optique qui imite l'accélération algorithmique observée dans les réseaux neuronaux quantiques. Cette réalisation remarquable est rendue possible par l'introduction de corrélations optiques classiques en tant que supports d'information. Ces corrélations permettent un traitement de l'information similaire à celui de l'informatique quantique, un concept précédemment démontré par la même équipe de recherche.

Les chercheurs ont développé des opérations de convolution et de pooling sur l'état optique corrélé, résultant en la création d'un réseau neuronal convolutif optique corrélé. Cet ONN démontre un entraînement accéléré sur des ensembles de données spécifiques et peut être appliqué pour identifier les caractéristiques des états quantiques selon des principes d'encodage spécifiques. Cette percée a ouvert la voie aux réseaux neuronaux optiques améliorés algorithmiquement, promettant des avantages à l'ère du traitement des mégadonnées.

La structure d'un réseau neuronal convolutif optique corrélé

Le réseau neuronal convolutif optique corrélé comprend quatre composants principaux : la source de lumière corrélée, la convolution, le pooling et les détecteurs. Le traitement principal est effectué par les sections de convolution et de pooling. 

Ces composants diffèrent de ceux des réseaux neuronaux convolutifs classiques car ils manipulent la corrélation des états optiques et génèrent des états corrélés plus simples par fusion de faisceaux.

Les scientifiques dirigeant la recherche expliquent : « Ces deux parties effectuent en réalité des opérations analogues aux portes quantiques dans les réseaux neuronaux convolutifs quantiques. La partie convolution de notre réseau est composée d'opérations unitaires sur l'état optique corrélé, semblables aux 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. Cela conduit à une diminution exponentielle de la dimension des données, contribuant à une convergence plus rapide de la fonction de perte lors de l'apprentissage d'ensembles de données spécifiques. »

De plus, les chercheurs certifient la similarité entre leur réseau neuronal convolutif optique corrélé et les réseaux neuronaux convolutifs quantiques en effectuant une identification de phase topologique des états quantiques. Les résultats théoriques et expérimentaux soutiennent cette certification.

Une alternative rentable aux réseaux neuronaux quantiques

Les résultats de cette recherche pointent vers une possibilité passionnante – réaliser les propriétés des réseaux neuronaux quantiques d'une manière plus rentable. Bien que les réseaux neuronaux quantiques offrent des avantages potentiels, leur mise en œuvre pratique nécessite des circuits quantiques complexes avec de multiples portes multi-qubits et des mesures intricées. 

Ces circuits sont très sensibles aux perturbations environnementales, rendant leur stabilité et la correction d'erreurs un défi considérable.

Les réseaux neuronaux optiques corrélés présentés dans cette étude constituent une alternative attrayante. Ils se caractérisent par une facilité d'agencement des éléments et par des exigences environnementales faibles lors des expériences. 

Compte tenu de la croissance exponentielle des données et de la rareté des ressources pour le calcul de haute qualité, cette approche offre une solution rentable et performante, avec des applications étendues dans divers domaines de la recherche en science des données.