La lumière booste les processeurs

À l’actuelle ère du numérique, la croissance exponentielle du trafic des données pose de réelles difficultés quant à la puissance de traitement. En outre, avec l’avènement de l’apprentissage automatique et de l’IA, par exemple dans les véhicules autonomes et la reconnaissance vocale, cette tendance à la croissance est amenée à se poursuivre. Les processeurs informatiques actuels ont donc la lourde tâche de s’adapter pour répondre à la demande.

Une équipe internationale d’experts scientifiques vient de se tourner vers la lumière pour résoudre le problème. Les chercheurs ont développé une nouvelle approche et une nouvelle architecture qui combine le traitement et le stockage des données sur une même puce grâce à l’utilisation de processeurs dits «photoniques», c’est-à-dire utilisant la lumière, et dont le traitement de l’information s’effectue par des voies parallèles, bien plus rapidement qu’avec les puces électroniques conventionnelles.

Les scientifiques ont conçu un accélérateur matériel dédié aux multiplications des vecteurs par les matrices, processus au cœur des réseaux neuronaux (algorithmes qui imitent le cerveau humain), eux-mêmes utilisés dans les algorithmes d’apprentissage automatique. Sachant que les différentes longueurs d’ondes lumineuses (couleurs) n’interfèrent pas entre elles, les chercheurs ont pu utiliser de multiples longueurs d’ondes pour procéder à des calculs en parallèle. Mais pour ce faire, ils ont eu recours à une source lumineuse issue d’une autre technologie innovante, développée à l’EPFL: un «peigne de fréquences optiques» sur puce.

«Notre étude est la première à appliquer des peignes de fréquences optiques dans le domaine des réseaux neuronaux artificiels,» rapporte le professeur Tobias Kippenberg de l’EPFL, l’un des principaux auteurs de l’étude. Les travaux de recherche du professeur Kippenberg sont à l’origine du développement des peignes de fréquences optiques. «Le peigne de fréquences optiques fournit diverses longueurs d’ondes optiques traitées indépendamment les unes des autres dans la même puce photonique.»

«Les processeurs à base de lumière dédiés à l’accélération des tâches dans le domaine de l’apprentissage automatique permettent de traiter des tâches mathématiques complexes à grande vitesse et avec un rendement élevé,» explique le co-auteur sénior de l’étude Wolfram Pernice, de l’université de Münster, un des professeurs ayant mené l’étude. «Cette méthode est bien plus rapide qu’avec les puces conventionnelles qui reposent sur le transfert électronique des données, comme les cartes graphiques ou le matériel spécialisé, comme les TPU (Tensor Processing Unit).»

Après avoir conçu et fabriqué les puces photoniques, les chercheurs les ont testées sur un réseau neuronal capable de reconnaitre les nombres écrits à la main. Inspirés par la biologie, ces réseaux sont encore conceptuels en apprentissage automatique et sont surtout utilisés dans le traitement des données d’image ou des données audio. «L’opération de convolution entre les données en entrée et un ou plusieurs filtres, par exemple pour identifier les bords d’une image, convient parfaitement à notre architecture de matrice,» confirme Johannes Feldmann, qui dépend maintenant du département des matériaux de l’université d’Oxford. Nathan Youngblood (université d’Oxford) poursuit: «Le recours au multiplexage en longueur d’onde nous permet d’atteindre des vitesses de données et des densités de calcul (c’est-à-dire un nombre d’opérations par zone de processeur) encore jamais atteintes.»

«Ce travail est vraiment la vitrine de la recherche collaborative européenne,» conclut David Wright de l’université d’Exeter, directeur du projet européen FunComp, qui a financé les recherches. «Bien que chaque groupe de recherche impliqué soit leader mondial dans son domaine, c’est le rapprochement de tous ces éléments qui a rendu ce travail possible.»

L’étude, publiée cette semaine dans la revue Nature, pourra avoir de nombreuses applications dans des domaines variés: augmentation du traitement simultané de données (avec économies d’énergie) dans l’intelligence artificielle, élargissement des réseaux neuronaux pour des prévisions et des analyses de données plus précises, grandes quantités de données cliniques pour les diagnostics, amélioration de l’évaluation rapide des données des capteurs dans les véhicules autonomes, et développement des infrastructures de calcul en nuage avec davantage d’espace de stockage, de puissance de calcul et de logiciels d’application.