Des chercheurs de l'Université de Xidian, dirigés par Shuiying Xiang, ont développé une nouvelle architecture de puces photoniques capable de réaliser un apprentissage en temps réel au sein de systèmes de réseaux de neurones à impulsions. Cette avancée résout une limitation majeure des systèmes existants : l'incapacité à effectuer des calculs non linéaires sans conversion électronique, ce qui ralentissait les processus d'apprentissage et de prise de décision. Jusqu'à présent, bien que les signaux optiques puissent traiter efficacement des opérations linéaires, les étapes complexes nécessaires à l'apprentissage devaient être converties en signaux électroniques. Cette conversion introduisait des délais et réduisait les avantages énergétiques des technologies photoniques. La solution présentée dans la revue Optica est un système de calcul neuromorphique photonique programmable à grande échelle. Il permet d'exécuter à la fois des calculs linéaires et non linéaires directement dans le domaine optique, éliminant ainsi la latence de conversion. Le système repose sur une configuration à deux puces distinctes. La première est une puce neuromorphique photonique à 16 canaux contenant 272 paramètres entraînables, capable de traiter simultanément plusieurs flux de signaux optiques et d'ajuster dynamiquement de nombreuses connexions. La seconde est une puce contenant un tableau de lasers à rétroaction distribuée optimisé pour une activation neuronale à seuil non linéaire. Ensemble, ces composants permettent au système de simuler le fonctionnement biologique du cerveau en utilisant des impulsions lumineuses brèves. Pour valider cette technologie, les chercheurs ont mis en place un cadre de formation collaborant matériel et logiciel. Ce processus permet d'entraîner d'abord un modèle globalement sur un ordinateur, puis de l'affiner in situ sur la puce photonique pour compenser les variations matérielles, avant une dernière étape de réglage fin logiciel. Les tests ont porté sur des tâches de renforcement classiques, notamment l'équilibrage d'un pendule sur un chariot mobile (CartPole) et la rotation d'un pendule depuis une position basse jusqu'à la position verticale (Pendulum). Les résultats sont remarquables : les décisions prises par le matériel sont presque aussi précises que celles obtenues par le logiciel seul, avec une baisse de performance négligeable de 1,5 % pour la tâche CartPole et de 2 % pour la tâche Pendule. Le système a atteint des performances parfaites sur la tâche simple et d'excellents résultats sur la tâche complexe, démontrant sa capacité à apprendre rapidement par essai-erreur. Sur le plan des performances énergétiques, la puce atteint une efficacité de 1,39 téra opérations par seconde par watt (TOPS/W) pour les calculs linéaires et 987,65 giga opérations par seconde par watt (GOPS/W) pour les calculs non linéaires. Sa densité de calcul et son efficacité énergétique se placent dans la même catégorie que les processeurs graphiques modernes (GPU). De plus, la latence de calcul sur puce est extrêmement faible, de l'ordre de 320 picosecondes. Cette technologie ouvre la voie à de nouvelles applications dans la conduite autonome et l'intelligence incarnée des robots, où la rapidité et la faible consommation d'énergie sont critiques. À l'avenir, l'équipe de recherche vise à concevoir des puces à plus grande échelle, avec 128 canaux, afin de résoudre des problèmes d'apprentissage par renforcement encore plus complexes, comme la navigation autonome neuromorphique, tout en visant l'intégration compacte nécessaire pour les scénarios de calcul en périphérie.