La photonique révolutionne le traitement des images
Ces dernières années, la demande de puissance de calcul pour le traitement cognitif des images et des vidéos a connu une augmentation vertigineuse. Pour améliorer les performances dans ce domaine, les scientifiques se sont intéressés aux réseaux neuronaux convolutifs (CNN pour «convolutional neural networks»), un type d’architecture de réseau destiné aux algorithmes d’apprentissage profond utilisés pour les tâches de reconnaissance d’images et de traitement des données de pixels. Toutefois, si les CNN offrent de meilleures performances, ils consomment également beaucoup plus d’énergie et de mémoire. C’est pourquoi les chercheurs se sont tournés vers la photonique en vue de les améliorer. Une nouvelle étude soutenue par les projets NEoteRIC et PROMETHEUS, financés par l’UE, apporte un éclairage sur l’évolution rapide du paysage des architectures neuromorphiques photoniques intégrées pour la mise en œuvre des CNN. Elle a été publiée dans la revue «Intelligent Computing». Les CNN sont conçus pour apprendre automatiquement des représentations hiérarchiques à partir de données d’entrée. Plus ils sont approfondis et plus ils disposent de paramètres d’apprentissage, plus ils sont performants. Toutefois, comme le mentionne un communiqué de presse «EurekAlert!», cette amélioration demande considérablement plus d’énergie et de mémoire. La tentative visant à résoudre ce problème en recourant à plusieurs puces et au traitement en parallèle résulte en une consommation accrue de l’énergie. Cette situation «soulève des inquiétudes en termes de coûts financiers et d’impact écologique lors de la mise à l’échelle des systèmes». La solution réside dans la photonique, qui permet d’exploiter les propriétés de la lumière pour améliorer la transmission et le traitement des données. L’étude offre un aperçu des CNN photoniques intégrés actuels qui s’attaquent au domaine exigeant du traitement ultrarapide des images. Elle analyse les cœurs photoniques fonctionnant comme des CNN, «couvrant les fonctions d’un réseau neuronal conventionnel ou de son homologue à impulsions».
Différentes perspectives
L’étude présente également deux approches photoniques alternatives qui ne se contentent pas de transférer les concepts de réseaux neuronaux directement dans le domaine optique, mais qui offrent une perspective différente dans ce domaine en évolution rapide. Elles combinent les traitements photonique, électronique numérique et bio-inspiré basé sur les événements, en tirant le meilleur parti de leurs avantages respectifs. «Ces approches peuvent offrir des performances qui vont au-delà de l’état de l’art tout en s’appuyant sur une technologie réaliste et évolutive», selon l’étude. La première approche repose sur une plateforme photonique intégrée et une technique de découpage du spectre optique. Elle se passe de circuits compliqués ou du prétraitement des images et recourt à des filtres spéciaux qui séparent l’image en différentes parties selon leurs couleurs et leurs motifs, avant d’en extraire les caractéristiques importantes. Le communiqué de presse ajoute: «En utilisant cette approche, la machine devient évolutive, ce qui signifie qu’elle peut traiter des images plus grandes et plus complexes. N’ayant besoin que d’une petite quantité d’énergie pour détecter la lumière et traiter les signaux, cette méthode est très économe en la matière. Elle fonctionne également de manière instantanée, sans délai, et peut donc traiter les images en temps réel.» La seconde approche suit une voie bio-isomorphique combinant des neurones laser miniaturisés à impulsions et un apprentissage bio-inspiré non supervisé dans une architecture profonde. «Les neurones laser simulent les impulsions des neurones biologiques, ce qui leur confère une certaine résistance face au bruit. L’apprentissage bio-inspiré non supervisé extrait de manière autonome des caractéristiques pertinentes des données, ce qui facilite la reconnaissance de modèles sans étiquettes explicites. Le traitement de l’information basé sur la photonique permet une certaine efficacité énergétique. En tirant parti de ces technologies, l’accélérateur résiste au bruit et réduit la consommation d’énergie.» Le projet NEoteRIC (NEuromorphic Reconfigurable Integrated photonic Circuits as artificial image processor) se termine en décembre 2023. PROMETHEUS (PROgraMmable integrated photonic nEuromorphic and quanTum networks for High-speed imaging, communications and sEcUrity applications) se termine en août 2025. Pour plus d’informations, veuillez consulter: site web du projet NEoteRIC site web du projet PROMETHEUS
Mots‑clés
NEOTERIC, PROMETHEUS, photonique, traitement, traitement d’images, réseau neuronal convolutif
