Réseaux de neurones photoniques capables d’apprendre directement sur une puce : une nouvelle approche du calcul optique en 2026
L’intelligence artificielle nécessite d’énormes ressources informatiques, notamment lorsque les réseaux de neurones doivent traiter de grandes quantités d’informations ou s’adapter à des tâches inconnues. Les processeurs électroniques classiques exécutent efficacement ces opérations, mais l’augmentation des charges de travail pose des problèmes de consommation énergétique, d’accès à la mémoire et de production de chaleur. En 2026, les chercheurs ont réalisé des progrès importants vers une autre approche : les réseaux de neurones photoniques, qui utilisent la lumière pour effectuer des calculs et peuvent apprendre directement grâce à leurs circuits physiques. Les expériences publiées au cours de l’année ont démontré la possibilité d’effectuer une rétropropagation directement sur puce, ainsi que de nouvelles méthodes d’apprentissage optique et des architectures de processeurs photoniques plus sophistiquées. Ces avancées ne signifient pas que les ordinateurs optiques sont prêts à remplacer les équipements classiques dédiés à l’IA. Elles montrent toutefois que la lumière peut jouer un rôle beaucoup plus actif dans l’apprentissage automatique que la simple transmission d’informations entre composants électroniques.
Comment les réseaux de neurones photoniques apprennent directement sur une puce
Les réseaux de neurones traditionnels apprennent en ajustant de manière répétée les connexions numériques entre les neurones artificiels. Pendant l’entraînement, le système reçoit des informations, produit une réponse et compare celle-ci au résultat attendu. Il calcule ensuite les modifications internes susceptibles de réduire l’erreur. Ce processus peut nécessiter des milliards d’opérations mathématiques, particulièrement dans les grands modèles d’intelligence artificielle. Les processeurs graphiques sont devenus indispensables pour ces tâches, car ils peuvent effectuer de nombreux calculs simultanément. Cependant, le transfert des informations entre les processeurs et la mémoire consomme une quantité considérable d’énergie. Les réseaux de neurones photoniques adoptent une approche différente en réalisant certains calculs grâce au comportement physique de la lumière circulant dans des circuits optiques spécialement conçus.
Un réseau de neurones photonique classique contient des voies optiques microscopiques appelées guides d’ondes. Ces structures dirigent la lumière à travers la puce, de la même manière que les connexions électriques transportent les signaux dans les processeurs conventionnels. D’autres composants, notamment les modulateurs et les interféromètres, contrôlent l’intensité et la phase des signaux optiques. Lorsque les ondes lumineuses interagissent, leur comportement combiné peut représenter des opérations mathématiques utilisées par les réseaux de neurones. Par exemple, les interférences optiques permettent d’effectuer des combinaisons pondérées de valeurs d’entrée, ce qui autorise un circuit à traiter simultanément plusieurs informations. Certaines architectures utilisent également différentes longueurs d’onde pour transporter des signaux distincts à travers des composants communs. Cela ouvre des possibilités de calcul parallèle, même si les avantages pratiques dépendent de l’architecture et de la quantité d’équipements électroniques supplémentaires nécessaires.
La principale difficulté a longtemps été l’entraînement de ces circuits optiques. De nombreux réseaux de neurones photoniques antérieurs s’appuyaient sur des simulations logicielles pour déterminer les réglages appropriés avant de les transférer vers le matériel physique. Pourtant, les composants optiques réels se comportent rarement exactement comme le prédisent leurs modèles informatiques. D’infimes différences de fabrication peuvent modifier la circulation de la lumière dans un circuit, tandis que les variations de température et les pertes optiques introduisent des écarts supplémentaires. Un réseau de neurones performant en simulation peut donc produire des résultats moins précis une fois intégré dans une puce réelle. L’apprentissage directement sur puce répond à ce problème en ajustant le réseau en fonction du comportement de ses composants physiques. Au lieu de dépendre entièrement d’une représentation numérique idéalisée, le processus d’entraînement tient compte du fonctionnement réel du dispositif optique.
La rétropropagation sur puce et la percée de Nokia Bell Labs en 2026
La rétropropagation constitue l’une des techniques d’apprentissage les plus importantes de l’intelligence artificielle moderne. Après qu’un réseau de neurones a produit un résultat, cette méthode calcule dans quelle mesure les différentes connexions ont contribué à l’écart entre la prédiction et le résultat attendu. Ces informations permettent au système d’ajuster ses paramètres et d’améliorer ses prédictions suivantes. La mise en œuvre de la rétropropagation à l’aide de la lumière reste complexe, car l’entraînement nécessite davantage que de simples calculs directs. Le réseau doit également prendre en charge les opérations mathématiques servant à déterminer les mises à jour des paramètres, notamment les fonctions non linéaires qui lui permettent de reconnaître des relations complexes. Pendant de nombreuses années, la réalisation de ces opérations directement dans des circuits photoniques s’est révélée difficile, obligeant les chercheurs à recourir largement à des traitements électroniques externes.
En mars 2026, des chercheurs de Nokia Bell Labs ont présenté une avancée majeure dans la revue Nature. Leur étude, intitulée Integrated Photonic Neural Network with On-Chip Backpropagation Training, décrivait un réseau de neurones profond photonique capable d’effectuer sur une seule puce optique les calculs neuronaux linéaires et non linéaires nécessaires à la rétropropagation. Les chercheurs ont utilisé un entraînement par descente de gradient, permettant au réseau de modifier ses réglages internes en fonction des erreurs. Lors de tâches expérimentales de classification non linéaire, le dispositif a atteint une précision supérieure à 90 %, comparable à celle du modèle numérique de référence utilisé dans l’étude. Le système a également démontré une bonne résistance aux variations introduites lors de la fabrication de la puce. Ce résultat était particulièrement important, puisqu’il montrait que les imperfections physiques n’empêchaient pas nécessairement un réseau de neurones optique d’apprendre correctement.
L’expérience n’a pas supprimé les composants électroniques de l’ensemble du système. Des équipements complémentaires, notamment un microcontrôleur, une mémoire et des circuits de commande électroniques, restaient nécessaires pour coordonner l’entraînement et gérer les informations. L’avancée essentielle résidait dans le fait que la puce optique effectuait elle-même les calculs neuronaux fondamentaux intervenant dans le traitement direct et rétrograde. Cette approche réduisait la dépendance à un modèle numérique externe pour calculer les opérations internes liées à l’apprentissage. Cette distinction est importante pour évaluer les affirmations concernant l’intelligence artificielle optique. La démonstration de 2026 a établi une méthode fonctionnelle d’entraînement d’un réseau de neurones au moyen de circuits photoniques intégrés, sans pour autant prouver qu’un ordinateur d’IA généraliste entièrement optique avait été développé. Elle constitue une base pour de futures recherches sur des processeurs optiques plus autonomes et adaptables.
Les principales avancées des réseaux de neurones optiques en 2026
En 2026, les chercheurs ont exploré plusieurs approches pour améliorer les capacités des réseaux de neurones photoniques. L’une des évolutions les plus importantes concernait la manière dont les circuits optiques calculent les ajustements nécessaires pendant l’entraînement. En octobre, la revue Nature Computational Science a publié une étude présentant une méthode appelée INSPIRE, abréviation de In Situ Photonic Gradient Estimation. Cette technique permet d’obtenir des informations sur les gradients d’apprentissage à partir de mesures réalisées directement sur le système optique. Elle présente un intérêt particulier, car les circuits photoniques complexes peuvent posséder des caractéristiques physiques difficiles à reproduire fidèlement dans un logiciel. En utilisant les informations recueillies directement auprès du dispositif, les chercheurs peuvent entraîner le matériel optique sans dépendre d’un modèle mathématique complet de chacun de ses composants.
INSPIRE utilise une technique de mesure faisant intervenir l’holographie synthétique par inversion temporelle pour analyser la propagation de la lumière dans un circuit optique. Ces informations permettent de déterminer comment les modifications des différents réglages influencent le résultat produit par le réseau. Les chercheurs ont démontré l’entraînement de matrices optiques avec une erreur relative d’environ 0,26 %, indiquant une précision élevée dans les conditions expérimentales présentées. Ils ont également étudié l’apprentissage à travers des structures de diffusion optique ainsi que le méta-apprentissage, une méthode destinée à aider les systèmes à s’adapter plus rapidement à de nouvelles tâches. Une expérience a fait état d’une compression du modèle d’un facteur 251 et d’une accélération de l’entraînement spécifique à une tâche d’un facteur 136, par rapport à l’approche de référence utilisée dans les travaux. Ces résultats ne doivent pas être interprétés comme des améliorations universelles par rapport aux processeurs d’IA conventionnels, mais ils illustrent le potentiel des méthodes d’apprentissage fondées directement sur des mesures optiques physiques.
Une autre avancée, présentée en avril 2026, concernait un réseau de neurones photonique tridimensionnel programmable, fabriqué à l’intérieur du verre par écriture laser femtoseconde. Contrairement aux circuits optiques conventionnels, qui organisent généralement leurs connexions sur une surface relativement plane, cette architecture utilisait des voies optiques réparties dans une structure tridimensionnelle. Le dispositif expérimental comportait huit couches et une configuration de canaux de 8 sur 8. Lors de son évaluation avec MNIST, une référence couramment utilisée pour la reconnaissance de chiffres manuscrits, il a atteint une précision de classification d’environ 93 %. Les chercheurs ont également annoncé un débit de calcul de 6 554 billions d’opérations par seconde, selon leur évaluation expérimentale. Cette architecture n’était pas équivalente au système de rétropropagation sur puce démontré par Nokia Bell Labs. Elle montrait néanmoins comment des connexions optiques tridimensionnelles pouvaient offrir de nouvelles possibilités pour concevoir des dispositifs de calcul photonique plus grands et plus complexes.
Ce que révèlent les dernières expériences sur la vitesse et l’efficacité énergétique
Les résultats expérimentaux publiés en 2026 témoignent de progrès significatifs, mais leur portée dépend de la manière dont les performances sont mesurées. Une précision de classification supérieure à 90 % confirme qu’un système optique peut accomplir correctement une tâche d’apprentissage particulière. Cela ne démontre toutefois pas que le dispositif peut rivaliser avec les accélérateurs d’IA commerciaux les plus avancés dans toutes les applications. Les tâches impliquant des chiffres manuscrits ou des problèmes de classification relativement simples sont nettement moins exigeantes que l’entraînement de grands modèles de langage. De même, un nombre impressionnant d’opérations optiques par seconde peut décrire la capacité mathématique d’un circuit spécialisé plutôt que les performances d’un système informatique complet. L’évaluation du matériel photonique nécessite donc des comparaisons prenant en compte la complexité des tâches, la précision numérique, la vitesse de traitement et les équipements indispensables au fonctionnement du dispositif.
L’efficacité énergétique demeure l’une des principales motivations du calcul optique. La lumière peut effectuer certaines transformations mathématiques grâce aux interférences et à la propagation, ce qui pourrait réduire l’énergie nécessaire aux opérations numériques répétitives. Les circuits optiques peuvent également traiter plusieurs signaux simultanément, favorisant une utilisation accrue du calcul parallèle. Cependant, produire et contrôler la lumière nécessite de l’électricité. Les lasers, les photodétecteurs, les convertisseurs de signaux et les circuits électroniques de commande contribuent tous à la consommation totale. Certains dispositifs optiques nécessitent également une régulation thermique pour maintenir des performances stables. Par conséquent, l’efficacité d’un composant photonique isolé ne peut pas être assimilée à celle d’un processeur complet. Les comparaisons les plus pertinentes mesurent l’énergie nécessaire pour accomplir une tâche précise avec un niveau de fiabilité défini, en tenant compte de toutes les opérations optiques et électroniques indispensables.
Une autre étude importante, publiée dans Nature Communications en juin 2026, présentait une architecture photonique à mélange d’experts, ou mixture-of-experts. Le dispositif expérimental comprenait trois cœurs de traitement optique parallèles et 18 noyaux de calcul, permettant à différents composants optiques de se spécialiser dans certaines opérations. Sur trois tâches de classification d’images, les chercheurs ont annoncé une précision moyenne de 97,1 %. Leur approche réduisait également de 67 % le nombre de paramètres du traitement numérique final par rapport à l’architecture de référence utilisée dans l’étude. Contrairement aux systèmes entraînés par rétropropagation physique pendant leur fonctionnement, les structures optiques de cette architecture étaient principalement configurées à partir d’un entraînement réalisé avant la fabrication. Cette différence illustre la diversité des recherches actuelles en photonique. Certaines technologies cherchent à effectuer l’apprentissage directement sur le matériel optique, tandis que d’autres visent à accélérer des calculs particuliers grâce à des composants optiques préconfigurés. Les deux approches peuvent se révéler utiles, mais elles répondent à des problèmes d’ingénierie différents.
Applications concrètes et avenir des puces photoniques pour l’intelligence artificielle
Le traitement d’images à grande vitesse figure parmi les applications les plus prometteuses des réseaux de neurones photoniques. Les circuits optiques peuvent potentiellement analyser plusieurs signaux simultanément, ce qui pourrait être utile pour l’inspection industrielle, l’imagerie scientifique et les systèmes spécialisés de vision par ordinateur. Par exemple, les équipements de fabrication doivent souvent identifier des défauts ou des anomalies dans de grandes quantités de données visuelles. Un processeur optique dédié pourrait effectuer certaines opérations de reconnaissance ou de filtrage à proximité de l’endroit où les données sont capturées, réduisant ainsi le volume d’informations transférées vers d’autres composants informatiques. Des possibilités similaires existent dans les télécommunications, où les signaux optiques transportent déjà des volumes considérables de données. Le traitement direct de certaines informations par du matériel optique pourrait réduire les conversions entre signaux lumineux et électriques, même si cet avantage dépend de la conception du système dans son ensemble.
La robotique adaptative et la commande automatisée constituent un autre domaine d’intérêt. Les machines intelligentes doivent souvent réagir à des conditions changeantes, notamment aux variations d’éclairage, aux mouvements et aux modifications de leur environnement. Un réseau de neurones capable d’ajuster ses paramètres physiques pourrait potentiellement s’adapter à certains changements sans transférer systématiquement tous ses calculs d’apprentissage vers un ordinateur distinct. En mars 2026, des chercheurs ont présenté un système de réseau de neurones impulsionnels photonique reposant sur deux puces spécialisées, dont un réseau optique programmable et un composant laser permettant des opérations non linéaires. Le système a été testé avec des tâches d’apprentissage par renforcement telles que CartPole et Pendulum, couramment utilisées pour évaluer les algorithmes de commande. Ces expériences en laboratoire ont démontré que le matériel optique pouvait participer aux processus d’apprentissage et de prise de décision, sans toutefois établir son aptitude à équiper des véhicules autonomes commerciaux ou des robots industriels.
Les centres de données pourraient également bénéficier à terme d’accélérateurs photoniques spécialisés pour l’intelligence artificielle, notamment lorsque de nombreuses opérations mathématiques similaires doivent être exécutées. Les interconnexions optiques jouent déjà un rôle important dans les communications à haut débit, et le calcul optique offre la possibilité de traiter certaines informations sans dépendre exclusivement des unités arithmétiques électroniques. Une future architecture réaliste pourrait associer des processeurs photoniques, des processeurs graphiques conventionnels et de la mémoire électronique. Les composants optiques prendraient en charge certaines opérations matricielles adaptées à leurs caractéristiques, tandis que les processeurs électroniques assureraient le stockage, l’ordonnancement des tâches, la programmation et les calculs nécessitant davantage de flexibilité. Cette approche hybride exploiterait les atouts des deux technologies plutôt que de chercher à remplacer l’ensemble du matériel existant. L’adoption commerciale dépendrait de la capacité de ces systèmes à apporter des avantages mesurables en matière de coût, de performances et de consommation énergétique dans des conditions réelles d’utilisation.
Les défis techniques à résoudre et les perspectives après 2026
Malgré les progrès réalisés en 2026, le développement de réseaux de neurones photoniques de plus grande taille demeure difficile. Les circuits optiques deviennent de plus en plus complexes à mesure que le nombre de neurones, de connexions et de paramètres ajustables augmente. Chaque composant peut contribuer aux pertes optiques, tandis que de petites différences de fabrication peuvent modifier le comportement de l’ensemble du réseau. Les variations de température représentent un autre problème, car certains composants photoniques sont sensibles aux conditions environnantes. L’apprentissage in situ permet de compenser certaines imperfections, mais il ne peut pas supprimer toutes les contraintes physiques. Les systèmes de plus grande taille nécessiteront des méthodes efficaces de contrôle des signaux optiques tout en conservant des performances fiables. Les chercheurs devront également améliorer la régularité des procédés de fabrication et développer des solutions pratiques pour connecter des circuits photoniques toujours plus complexes sans provoquer de pertes excessives ni de coûts énergétiques supplémentaires.
La mémoire et la programmabilité constituent d’autres obstacles majeurs. Les processeurs d’IA conventionnels peuvent stocker de grandes quantités d’informations et exécuter de nombreux types d’instructions. Les circuits photoniques sont particulièrement intéressants pour certaines transformations mathématiques, mais fournir un stockage et un contrôle aussi flexibles entièrement à l’aide de composants optiques reste beaucoup plus difficile. Par conséquent, la plupart des systèmes expérimentaux continuent de dépendre de l’électronique pour assurer des fonctions complémentaires essentielles. Le développement logiciel représente également un défi. Les ingénieurs ont besoin d’outils capables de traduire les modèles de réseaux de neurones en réglages de circuits optiques, de tester le comportement de ces circuits et de les ajuster si nécessaire. L’absence de méthodes de développement largement adoptées complique leur intégration pratique. La fiabilité à long terme, les besoins de maintenance et les coûts de fabrication seront tout aussi importants que la vitesse de traitement mesurée en laboratoire pour déterminer si les processeurs photoniques peuvent devenir commercialement viables.
En novembre 2026, les réseaux de neurones photoniques avaient dépassé le stade des simples démonstrations d’opérations mathématiques réalisées avec la lumière. Les recherches de Nokia Bell Labs avaient établi que le matériel optique intégré pouvait effectuer les calculs neuronaux nécessaires à la rétropropagation, tandis qu’INSPIRE avait démontré une méthode précise d’apprentissage fondée sur les mesures physiques des circuits optiques. Les progrès réalisés dans l’intégration tridimensionnelle, le traitement optique parallèle et l’apprentissage par renforcement photonique ont également révélé de nouvelles possibilités de développement. Cependant, ces réalisations restent expérimentales et ne démontrent pas encore une supériorité générale sur le matériel électronique d’IA existant. Les prochaines étapes importantes concerneront des réseaux de neurones plus vastes, des évaluations exigeantes dans des conditions réelles, des mesures énergétiques portant sur l’ensemble des systèmes et des méthodes de fabrication fiables. Si les chercheurs parviennent à surmonter ces difficultés, les réseaux de neurones photoniques pourraient devenir des composants spécialisés précieux des futurs systèmes informatiques, permettant à la lumière et à l’électronique de se partager les tâches exigeantes de l’intelligence artificielle.
