Vous ne regarderez plus votre verre de bière de la même façon : il sera peut-être bientôt capable de vous espionner. Des chercheurs de l'université de Wisconsin-Madison ont en effet réussi à créer un morceau de verre intelligent qui reconnaît des chiffres et des images.

Des réseaux neuronaux optiques pour remplacer les neurones numériques

Le principe décrit par Zongfu Yu et ses collègues dans la revue Photonics Research repose sur les réseaux neuronaux optiques, où les électronsélectrons sont remplacés par des photonsphotons (voir ci-dessous). Des couches successives de feuilles translucidestranslucides dévient la lumièrelumière dans une direction déterminée, permettant au signal de se propager dans le réseau afin d'effectuer des tâches successives. La start-up française LightOn a ainsi mis au point des «OPU» (Optical Processing Unit)) l'équivalent de CPU informatiques.

Ici, les chercheurs ont trouvé un moyen de s'affranchir de ces réseaux en couches pour simplifier le processus à l'extrême, qu'ils ont appelé « Réseau neuronal nanophotonique ». Des petites bulles de différentes tailles et des impuretés comme du graphènegraphène ont été inclus dans le verre à des endroits spécifiques. Chaque bulle ou impureté ayant un indice de réfractionindice de réfraction spécifique, elle focalise la lumière sur un endroit précis. La lumière émanant de l'image entre par une extrémité du verre et les ondes de sortie se concentrent alors sur 10 points de sortie de l'autre côté.

Le principe de fonctionnement du réseau neuronal nanophotonique. Les images des chiffres sont diffractées par le verre pour que la lumière se focalise vers un point de sortie déterminé (a). Une fois « entraîné », le verre est ainsi capable de reconnaître des chiffres 2 ou 8 écrits de différents façons (b et c). © Erfan Khoram et al, Photonics Research, 2019

Entraîner le bout de verre comme une intelligence artificielle classique

À l'instar d'un réseau neuronal classique, les chercheurs ont entraîné l'IAIA en lui présentant un set de 5.000 images de chiffres de 0 à 9 écrits à la main dans différents stylesstyles. Lorsque la lumière ne se focalisait pas sur le bon point de sortie, la taille et l'emplacement des bulles étaient ajustés pour corriger la direction du signal. Au bout de milliers d'itérations, le verre est ainsi parvenu à reconnaître chaque chiffre, y compris sous des formes pour lesquelles il n'avait pas été entraîné. « Chaque impureté agit un peu comme un neuroneneurone artificiel », explique Zongfu Yu. Le taux de réussite se limite pour l'instant à 79 % après 1.000 itérations, mais cela est dû à la qualité du verre utilisé pour l'expérience et il serait possible de l'améliorer en utilisant un matériaumatériau moins dense, selon l'étude.

Biométrie et voitures autonomes

Une des applicationsapplications envisagées est la reconnaissance biométrique, par exemple pour déverrouiller un smartphone. On pourrait également apprendre au pare-brise d'une voiture autonome à reconnaître les panneaux routiers. « Comme elle ne nécessite aucune énergieénergie, cette intelligence artificielle a une duréedurée de vie illimitée, ce qui signifie qu'elle pourrait sécuriser un appareil durant des milliers d'années », avance Zongfu Yu. De plus, elle est ultra-rapide puisqu'elle fonctionne... à la vitesse de la lumièrevitesse de la lumière. « Contrairement à la vision humaine, le verre intelligent sera sans doute réservé à des applications spécifiques, modère Ming Yuan, professeur de statistiques à l'université de ColumbiaColumbia. Un morceau de verre pour reconnaître des chiffres, un autre pour identifier des lettres, un autre pour les visages, et ainsi de suite ».

Ce réseau neuronal fonctionne sans électricité, à la vitesse de la lumière

Article de Marc ZaffagniMarc Zaffagni publié le 03/08/2018

Des chercheurs de l'Ucla ont créé un réseau neuronal d'apprentissage profondapprentissage profond qui fonctionne non pas sur un ordinateur avec un processeur de calcul classique, mais avec des ondes lumineuses propagées à travers des plaquettesplaquettes translucides imprimées en 3D sur lesquelles des milliers de pixelspixels en relief diffractent la lumière.

Ce que vient de réussir une équipe de chercheurs de l'université de Californie à Los Angeles (Ucla) est assez exceptionnel. Grâce à l'impression 3Dimpression 3D, ils ont créé un réseau neuronal profond qui fonctionne non pas à l'électricité mais avec de la lumière. Ils appellent cela un « réseau neuronal profond diffractif » et en exposent les principes de fonctionnement dans un article paru dans Science.

Dans le vaste monde de l’intelligence artificielle, l'apprentissage profond (deep learning) est la technique actuellement la plus prisée. Elle repose sur plusieurs méthodes d'apprentissage automatique (machine learningmachine learning) pour entraîner des systèmes à partir de divers types de données grâce auxquelles ils vont élaborer des modèles de représentation et d'abstraction qui serviront ensuite à interpréter des informations dont ils n'ont pas une connaissance préalable. Le deep learning utilise différentes couches de traitement des données, d'où la notion de profondeur.

Ces couches sont intriquées, les informations produites en sortie par l'une servant de point de départpoint de départ pour la suivante, etc. Les réseaux de neurones artificiels multicouches utilisent cette architecture. L’apprentissage profond a permis d'accomplir de grands progrès dans la reconnaissance faciale, vocale et audio, le traitement du langage, le filtrage des réseaux sociauxréseaux sociaux et l'analyse d'images médicales.

Un réseau neuronal de cinq couches

Les systèmes d'apprentissage profond s'exécutent sur des ordinateurs tout ce qu'il y a de plus classique. C'est là qu'intervient l'innovation de l'Ucla. Leur réseau neuronal profond n'a pas besoin d'électrons mais seulement de lumière. Il utilise des composants passifs qui vont remplir certaines fonctions selon la manière dont ils ont été agencés. Il s'agit de plaquettes translucides fabriquées par impression 3D qui sont recouvertes de milliers de pixels en relief. Chaque plaquette représente une couche du réseau neuronal, les neurones artificiels étant les pixels qui vont soit réfléchir soit transmettre la lumière selon un certain angle.

Les chercheurs ont utilisé cinq plaquettes disposées face à face en rangée avec un espace entre elles, comme des dominos. Pour tester le système, ils lui ont demandé de reconnaître des chiffres entre 0 et 9. La phase d'entraînement préalable de ce réseau neuronal s'est évidemment faite sur un ordinateur à partir d'une base de donnéesbase de données de 55.000 images de nombres. Les chercheurs ont identifié les connexions créées entre chaque couche de neurones artificiels et les ont converties en pixels chargés de diriger la lumière de manière similaire qu'ils ont ensuite matérialisés par impression 3D.

Cette représentation schématise le fonctionnement du réseau neuronal diffractif. Un chiffre est projeté devant la première couche par un faisceau laser. La lumière traverse les différentes couches en empruntant des chemins spécifiques qui reproduisent les interconnexions neuronales. À la sortie, dix photodétecteurs interprètent le signal et donnent la réponse. © Ozcan Research Group/UCLA

De nombreuses contraintes techniques demeurent

Lors du test, un chiffre était projeté par un laserlaser à l'aide d'un masque imprimé en 3D placé devant la première couche. La lumière cheminait à travers les autres couches du réseau neuronal en allant se concentrer sur des zones spécifiques. Des photodétecteurs situés à l'autre extrémité du réseau récupéraient le signal lumineux de sortie puis livraient la réponse. Le système a été testé avec des milliers de chiffres et les chercheurs rapportent qu'il a atteint une précision de près de 95 %.

Si la performance est assurément impressionnante, de nombreuses contraintes techniques demeurent. Pour commencer, il faut un alignement très précis des plaquettes pour que le jeu de lumière puisse reproduire les interconnexions neuronales avec efficacité. Ensuite, le système de reconnaissance ne fonctionne qu'avec un seul objet qu'il faut préalablement imprimer en 3D sur un masque avant de le projeter. Modifier le dispositif de projection pour le dématérialiser totalement est sans doute la voie à suivre pour qu'un tel système puisse trouver des applications pratiques.