Dans une avancée 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 une remarquable « accélération quantique »
Cette innovation exploite les corrélations optiques classicpour accroître considérablement la puissance de calcul des réseaux de neurones optiques (ONN). Publiée dans Light Science & Application, cette avancée majeure permet de répondre à la demande croissante de modèles d'apprentissage automatique performants tout en limitant les contraintes liées aux ressources de calcul.
Améliorer l'efficacité de l'IA grâce aux réseaux neuronaux optiques et quantiques.
d'intelligence artificielle ( IA ), en particulier les algorithmes d'apprentissage automatique, ont réalisé des progrès considérables ces dernières années, permettant des capacités sans précédent dent des tâches telles que la reconnaissance d'images, le traitement du langage naturel et la détection d'objets.
Cependant, ces progrès ont un coût : ils nécessitent d'importantes ressources de calcul. La puissance de calcul actuelle approche de ses limites, ce qui impose de réduire les coûts d'entraînement et d'améliorer l'efficacité de l'entraînement des modèles d'apprentissage automatique.
Pour relever ce défi, les chercheurs ont concentré leurs efforts sur deux axes principaux : les réseaux neuronaux optiques (RNO) et les réseaux neuronaux quantiques. Les RNO utilisent des techniques avancées de manipulation optique pour exécuter des algorithmes d’apprentissage automatique dans le cadre du traitement optique classic de l’information.
Ces réseaux présentent plusieurs avantages, notamment une faible consommation d'énergie, une diaphonie minimale et une faible latence de transmission. Cependant, les réseaux ONN traditionnels ne bénéficient pas d'une accélération algorithmique, ce qui signifie qu'ils n'atteignent pas des vitesses de convergence de modèle plus rapides.
En revanche, les réseaux de neurones quantiques sont des algorithmes de réseaux de neurones fondés sur la théorie du calcul quantique. Des études récentes ont montré que ces réseaux peuvent accélérer les algorithmes grâce aux corrélations quantiques. Malheureusement, leurs applications pratiques sont limitées par des contraintes techniques, ce qui rend leur déploiement à grande échelle difficile.
L'avancée majeure présentée dans l'article récent réside dans le développement d'un nouveau réseau neuronal optique qui imite l'accélération algorithmique observée dans les réseaux neuronaux quantiques. Cette remarquable performance est rendue possible par l'introduction de corrélations optiques classiccomme vecteurs d'information. Ces corrélations permettent un traitement de l'information comparable à l'informatique quantique, un concept déjà démontré par la même équipe de recherche.
Les chercheurs ont développé des opérations de convolution et de pooling sur l'état optique corrélé, aboutissant à la création d'un réseau neuronal optique convolutif corrélé. Ce réseau neuronal optique (ONN) démontre une capacité d'apprentissage accélérée sur des ensembles de données spécifiques et peut être utilisé pourdentles caractéristiques des états quantiques selon des principes d'encodage particuliers. Cette avancée majeure ouvre la voie à des réseaux neuronaux optiques algorithmiquement améliorés, promettant des avantages considérables à l'ère du traitement des mégadonnées.
Le réseau neuronal convolutif optique corrélé comprend quatre composants principaux : la source de lumière corrélée, la convolution, le pooling et la détection. Le traitement principal est effectué par les sections de convolution et de pooling.
Ces composants diffèrent de ceux des réseaux neuronaux convolutifs classiccar ils manipulent la corrélation des états optiques et génèrent des états corrélés plus simples par fusion de faisceaux.
Les scientifiques à la tête de la recherche expliquent : « Ces deux parties effectuent en réalité des opérations analogues aux portes quantiques des réseaux neuronaux convolutifs quantiques. La partie convolutionnelle 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 phase de regroupement que nous considérons équivaut à mesurer des qubits partiels pour obtenir un sous-espace de Hilbert. Ceci entraîne 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 attestent de la similarité entre leur réseau neuronal convolutif optique corrélé et leurs réseaux neuronaux convolutifs quantiques en procédant à unedentde phase topologique des états quantiques. Les résultats théoriques et expérimentaux confirment cette attestation.
Une alternative économique aux réseaux neuronaux quantiques
Les résultats de cette recherche ouvrent une perspective prometteuse : exploiter les propriétés des réseaux neuronaux quantiques de manière plus économique. Si les réseaux neuronaux quantiques offrent des avantages potentiels, leur mise en œuvre pratique requiert des circuits quantiques complexes comportant de nombreuses portes multiqubits et des mesures sophistiquées.
Ces circuits sont très sensibles aux perturbations environnementales, ce qui fait de leur stabilité et de la correction des erreurs un défi de taille.
Les réseaux neuronaux optiques corrélés présentés dans cette étude constituent une alternativetrac. Ils se caractérisent par une facilité d'agencement des éléments et de faibles exigences environnementales lors des expériences.
Compte tenu de la croissance exponentielle des données et de la rareté des ressources pour un calcul de haute qualité, cette approche offre une solution rentable et performante avec de nombreuses applications dans divers domaines de recherche en science des données.
