Traitement 1 000 fois plus rapide : détecteur innovant pour les grands

Par Optica26 août 2023

Les chercheurs ont utilisé un SNPD pour améliorer la vitesse et l’efficacité des réseaux de neurones optiques, démontrant une augmentation potentielle de 1 000 fois des vitesses de traitement par rapport aux capteurs de caméra traditionnels. Cette avancée annonce une nouvelle ère pour les systèmes de vision basés sur l’IA.

Un ONN diffractif plus rapide et économe en énergie pourrait être utilisé pour le traitement des images et des vidéos.

Pour la première fois, des chercheurs ont exploité la puissance d'un photodétecteur non linéaire normal de surface (SNPD) pour améliorer la vitesse et l'efficacité énergétique d'un réseau neuronal optique diffractif (ONN). Ce dispositif innovant ouvre la voie au développement d’ONN à grande échelle, capables d’effectuer un traitement à grande vitesse à la vitesse de la lumière de manière extrêmement économe en énergie.

Farshid Ashtiani de Nokia Bell Labs présentera cette recherche à Frontiers in Optics + Laser Science (FiO LS), qui se tiendra du 9 au 12 octobre 2023 au Greater Tacoma Convention Center à Tacoma (région du Grand Seattle), Washington.

« L’intelligence artificielle (IA) joue un rôle de plus en plus important dans nos vies. Des grands modèles linguistiques aux voitures autonomes, nous constatons des améliorations significatives permises par l’IA », explique Ashtiani. « Les réseaux de neurones, inspirés de la manière dont le cerveau humain apprend et exécute diverses tâches, sont au cœur des progrès de l’IA. L'une des applications les plus répandues des réseaux de neurones est la reconnaissance de modèles et d'objets, ce qui donne une vision aux machines. Par exemple, chaque voiture autonome, ou même semi-autonome, doit comprendre son environnement en étant capable de voir des choses.

Réseau de détecteurs. Crédit : Farshid Ashtiani, Nokia Bell Labs

« Traditionnellement, les images sont prises par des caméras, converties en signaux électriques et traitées à l'aide de processeurs électroniques tels que des processeurs ou des GPU pour la reconnaissance d'objets », a déclaré Mohamad Hossein Idjadi, de Nokia Bell Labs.

« Cependant, étant donné que les images appartiennent à l’origine au domaine optique (c’est-à-dire la lumière), il peut être plus rapide et plus économe en énergie de les traiter optiquement à l’aide d’ONN. Parmi différentes technologies, les ONN basés sur des modulateurs spatiaux de lumière permettent le traitement optique d’images et de vidéos haute résolution. Ce traitement nécessite des modules non linéaires et des capteurs de caméra sont classiquement utilisés pour introduire cette non-linéarité nécessaire, ce qui prend plusieurs millisecondes.

« Notre nouveau dispositif de détection rend ce traitement non linéaire 1 000 fois plus rapide et plus économe en énergie que de telles caméras. Ceci est crucial pour la prochaine génération de systèmes de vision industrielle, car nous avons tous besoin de gadgets intelligents encore plus rapides et qui ne consomment pas beaucoup d’énergie.

Les ONN diffractifs en espace libre utilisent des modulateurs spatiaux de lumière et sont particulièrement prometteurs pour créer les réseaux de neurones à grande échelle nécessaires au traitement des images et des vidéos. Cependant, la vitesse et l'efficacité énergétique de ce type d'ONN sont généralement limitées par le capteur d'image utilisé pour mettre en œuvre la fonction d'activation non linéaire qui met en œuvre plusieurs couches de neurones pour créer un réseau neuronal profond.

Détecteur unique. Crédit : Farshid Ashtiani, Nokia Bell Labs

Dans leurs nouveaux travaux, les chercheurs ont proposé l'utilisation d'un SNPD, qu'ils avaient précédemment démontré comme modulateur électro-optique à grande vitesse, dans des ONN diffractifs à haute résolution. Les tests ont montré que le SNPD avait une bande passante de 3 dB de 61 kHz correspondant à moins de 6 microsecondes, soit environ 1 000 fois plus rapide que le temps de réponse typique des capteurs de caméra classiquement utilisés dans de tels ONN. Le capteur ne consomme également qu’environ 10 nW/pixel, ce qui est trois ordres de grandeur plus efficace qu’une caméra classique.

To gauge the sensor’s efficacy within an ONN, the researchers input images into the convolution layer – the primary building block of the neural network. The convolution layer had 32 parallel 3 × 3 kernels with a stride of one and used the actually measured SNPD response as its activation function instead of the standard rectified linear activation function. With this simulation setup, the network achieved a test classification accuracyHow close the measured value conforms to the correct value." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"accuracy of about 97%, which is the same performance as using an ideal rectified linear activation function in the same network./p>