Les ingénieurs de l'UCLA dévoilent un réseau neuronal optique à la vitesse de la lumière pour les caméras intelligentes

École d'ingénierie UCLA Samueli, Los Angeles, Californie

Les ingénieurs de l'UCLA ont apporté des améliorations majeures à la conception d'un réseau neuronal optique – un dispositif inspiré du fonctionnement du cerveau humain – capable d'identifier des objets ou de traiter des informations à la vitesse de la lumière. Ce développement pourrait conduire à des systèmes de caméras intelligents qui déterminent ce qu’ils voient simplement grâce aux modèles de lumière qui traversent une structure matérielle conçue en 3D. La nouvelle conception tire parti de la parallélisation et de l'évolutivité des systèmes informatiques optiques.

Par exemple, de tels systèmes pourraient être intégrés à des voitures ou des robots autonomes, les aidant ainsi à prendre des décisions quasi instantanées plus rapidement et en utilisant moins d'énergie que les systèmes informatiques qui ont besoin de plus de temps pour identifier un objet une fois qu'il a été vu.

La technologie a été introduite pour la première fois par le groupe UCLA en 2018. Le système utilise une série de tranches ou de couches imprimées en 3D avec des surfaces inégales qui transmettent ou réfléchissent la lumière entrante – semblables en apparence et en effet au verre dépoli. Les couches comportent des dizaines de milliers de points de pixels, essentiellement des neurones artificiels qui forment un volume de matériau technique qui calcule de manière entièrement optique. Chaque objet aura un chemin de lumière unique à travers les couches fabriquées en 3D. Derrière les couches se trouvent plusieurs détecteurs de lumière, chacun préalablement assigné dans un ordinateur pour déduire quel est l'objet d'entrée et où aboutit la plus grande partie de la lumière après avoir traversé les couches. Par exemple, s'il est entraîné à comprendre des chiffres manuscrits, alors le détecteur programmé pour identifier un « 5 » verra la majeure partie de la lumière atteindre ce détecteur après que l'image d'un « 5 » ait traversé les couches.

Les chercheurs de l’UCLA ont considérablement augmenté la précision du système en ajoutant un deuxième ensemble de détecteurs au système, de sorte que chaque type d’objet est désormais représenté par deux détecteurs au lieu d’un. Les chercheurs visaient à augmenter la différence de signal entre une paire de détecteurs affectée à un type d'objet. Intuitivement, cela revient à peser deux pierres simultanément avec les mains gauche et droite afin de différencier si elles ont des poids similaires ou différents.

Un tel système effectue des tâches d'apprentissage automatique avec interaction lumière-matière et diffraction optique à l'intérieur d'une structure matérielle fabriquée en 3D à la vitesse de la lumière et sans nécessiter une puissance importante, à l'exception de la lumière d'éclairage et des circuits de détection simples. Selon les chercheurs, cette avancée pourrait permettre à des caméras intelligentes spécifiques à des tâches spécifiques d'effectuer des calculs sur une scène en utilisant uniquement des photons et une interaction lumière-matière, ce qui les rendrait extrêmement rapides et économes en énergie.

Les chercheurs ont testé la précision de leur système à l’aide d’ensembles de données d’images comprenant des chiffres manuscrits, des vêtements et un ensemble plus large de véhicules et d’animaux divers, connu sous le nom d’ensemble de données d’images CIFAR-10. Ils ont trouvé des taux de précision de reconnaissance d'image de 98,6 %, 91,1 % et 51,4 % respectivement.

Ces résultats se comparent très favorablement à ceux des générations précédentes de réseaux neuronaux profonds entièrement électroniques. Bien que les systèmes électroniques plus récents aient de meilleures performances, les chercheurs suggèrent que les systèmes entièrement optiques présentent des avantages en termes de vitesse d'inférence, de faible consommation et de capacité à être mis à l'échelle pour accueillir et identifier beaucoup plus d'objets en parallèle.

Pour plus d'informations, contactez Amy Akmal à Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer Javascript pour le visualiser..