Des chercheurs de l'Université de Californie à Los Angeles (UCLA) ont développé un appareil capable de reconnaître des vêtements et des chiffres manuscrits à la vitesse de la lumière. Bien plus rapide qu'un ordinateur ou un cerveau humain, et sans consommer d'énergie.
Cet dispositif est composé de couches ultrafines qui dispersent la lumière entrante dans des directions précisément calculées. Après avoir traversé ces couches via un système ingénieux de lentilles et de miroirs, la lumière émerge à un emplacement spécifique indiquant ce que l'appareil a "vu". Par exemple, pour la reconnaissance de chiffres manuscrits, elle s'illumine à l'un de 10 endroits distincts, un par classe numérique.
La reconnaissance de chiffres manuscrits est plus complexe qu'il n'y paraît : chacun écrit différemment, et il est ardu de regrouper des milliers d'images variées sous une même catégorie, même inédites.
Ce n'est que récemment que les logiciels informatiques, grâce à l'apprentissage profond, ont égalé les performances humaines. Inspiré du cerveau, l'apprentissage profond utilise des couches de réseaux de neurones artificiels : des simulations de nos neurones biologiques qui reçoivent, transmettent et apprennent des signaux.
Dans ces réseaux, chaque couche affine progressivement la reconnaissance. La première peut représenter des pixels individuels ; la dernière active un neurone par chiffre ("1", "2", etc.). Notre système visuel fonctionne similairement : de la rétine aux zones corticales spécialisées, via des couches intermédiaires détectant des formes comme la barre verticale du "1".
L'entraînement amplifie les connexions menant à des réponses correctes et atténue les autres, sur des milliers d'itérations. Une fois formé, le réseau peut être figé.
Cet appareil physique imite un réseau de neurones via l'optique : son architecture est conçue par simulation d'apprentissage profond, puis imprimée en 3D sous forme de couches minces (8 cm²). Ici, la lumière elle-même porte le signal, sans conversion électrique, via réflexions et transmissions entre "neurones" optiques (lentilles et miroirs).
Plusieurs prototypes existent : pour chiffres ou vêtements. Applications futures : voitures autonomes, diagnostic médical automatisé.
Lin, X. et al. (2018). All-optical machine learning using diffractive deep neural networks. Science, 361, eaat8084. DOI: 10.1126/science.aat8084.
[]