Calcul Informatique Hyperspectral avec des Peignes de Fréquences Optiques et des Mémoires Optiques Programmables
Le Calcul Hyperspectral en Mémoire et l’Application des Peignes de Fréquence Optique et des Mémoires Optiques Programmables
Introduction
Ces dernières années, les avancées en apprentissage automatique ont conduit à des transformations révolutionnaires dans de nombreux secteurs, dont la médecine, la finance, la vente au détail, l’automobile et la fabrication. Ces transformations ont entraîné une demande accrue pour des opérations de multiplication matrice-vecteur (MVM) à grande échelle, essentielles à l’optimisation massive et aux algorithmes d’apprentissage profond. Cependant, cette demande croissante pose un défi aux architectures traditionnelles d’ordinateurs électroniques numériques de Von Neumann, qui séparent la mémoire de l’unité de traitement, conduisant au “goulot d’étranglement de Von Neumann” où la vitesse de transfert de données entre la mémoire et le processeur limite les performances globales du système. Pour surmonter cette limitation, le calcul en mémoire émerge comme une solution révolutionnaire en intégrant directement des éléments de mémoire non volatile au sein du processeur, permettant une mobilité de données plus efficace, une consommation énergétique réduite et un calcul hautement parallélisé.
Parallèlement, les systèmes de calcul optique, grâce à leur aptitude naturelle aux opérations mathématiques parallèles, ont suscité un regain d’intérêt. Depuis leur apparition il y a plusieurs décennies, ces systèmes ont réalisé des progrès significatifs, démontrant le potentiel énorme du calcul optique en termes de rendement de calcul et d’efficacité énergétique. Cependant, développer des systèmes de calcul optique à haut débit capables de concurrencer le matériel électronique avancé reste un défi. Dans ce contexte, cette étude propose et démontre une architecture de calcul en mémoire hyperspectral, exploitant simultanément la multiplication dans les dimensions spatiale et fréquentielle grâce à l’utilisation de peignes de fréquence optique et de mémoires optiques programmables. Ce système de calcul optoélectronique tridimensionnelement conçu affiche des performances exceptionnelles en termes de parallélisme, de programmabilité et d’évolutivité, surmontant les limitations typiques du calcul optique.
Résumé de l’article
Cette recherche, coécrite par Mostafa Honari Latifpour, Byoung Jun Park, Yoshihisa Yamamoto et Myoung-Gyun Suh, a été publiée dans le volume 11, numéro 7 de juillet 2024 de la revue Optica. Elle est principalement menée par le laboratoire de physique et des informations de NTT Research, Inc., avec le soutien de la City University of New York et de Korea University. Cette étude, inspirée par les solutions de traitement d’informations parallèles présentes dans les domaines des communications optiques, de la spectroscopie, de l’imagerie et des technologies d’affichage, vise à améliorer considérablement le débit de calcul.
Processus expérimental et résultats
Multiplication Matrice-Vecteur Unique
Dans l’expérience, les chercheurs ont démontré pour la première fois un système optique MVM utilisant une double multiplication espace-fréquence, établissant les bases pour un système de calcul en mémoire hyperspectral. En reliant les dimensions fréquentielles et spatiales via des éléments dispersifs, cette méthode de multiplexage facilite le transfert de données parallèles entre ces dimensions. La source d’entrée utilisée était un peigne de fréquence optique à bande C (OFC) avec une fréquence de répétition des impulsions de 250 MHz, grossièrement filtré pour obtenir un intervalle de fréquence de 36 GHz. Cela a effectivement généré un peigne de fréquence optique avec un intervalle de 36 GHz et une modulation d’intensité de 250 MHz. Les éléments du vecteur d’entrée ont été codés, ligne par ligne, dans l’intensité de chaque ligne de peigne de 36 GHz par une modulation de forme d’onde.
Dans la configuration optique, les lignes de peigne ont été dispersées dans l’espace, alignées verticalement, puis focalisées sur un modulateur spatial de lumière (SLM) où les éléments matriciels codés interagissent avec les vecteurs d’entrée via des poids d’atténuation. Les matrices de sortie des SLM ont été capturées à l’aide d’une caméra infrarouge à ondes courtes bidimensionnelle, réalisant ainsi l’opération de multiplication matrice-vecteur (MAC). Le système a additionné et détecté l’intensité lumineuse de la matrice résultante horizontalement via une caméra à balayage de ligne, vérifiant la précision des valeurs MAC calculées.
Multiplication Matrice-Matrice par MAC Hyperspectral
Pour étendre davantage le système, les chercheurs ont effectué une expérience de multiplication matrice-matrice (MMM) dans une configuration hyperspectrale. Le signal optique agrandi horizontalement a été focalisé sur SLM 2 pour coder la deuxième matrice. Les signaux optiques capturés par une caméra bidimensionnelle ont été agrégés horizontalement, ordonnés en fréquence et utilisés pour effectuer l’opération MMM. Les résultats de multiples tests MMM correspondaient à la théorie, démontrant une bonne stabilité et précision du système avec un bruit maintenu en dessous de 5 %.
Discussion
Dans les expériences de validation, le système a fonctionné en mode boucle ouverte, avec les codages d’entrée et les lectures des résultats MAC effectués indépendamment à l’aide de dispositifs électroniques commerciaux. Pour atteindre un calcul à haut débit, une modulation et une lecture externe rapides sont nécessaires. L’incorporation d’un appareil de “neurones optoélectroniques bidimensionnels”, combinant circuits de commande électroniques et mémoire, permettrait des opérations non linéaires programmables et l’exécution de divers algorithmes. De plus, l’architecture hybride présentée combine les avantages de rapidité et d’efficacité énergétique des calculs optiques avec des améliorations pratiques dans un mode boucle fermée.
Conclusion
Le système de calcul en mémoire hyperspectral présenté dans cette étude exploite pleinement les dimensions fréquentielles, spatiales et temporelles pour maximiser le débit de calcul et l’efficacité énergétique. La conception du système priorise l’évolutivité, en utilisant des technologies SLM et OFC évolutives pour combiner le multiplexage spatial et fréquentiel. Cette approche modulaire simplifie non seulement le processus de fabrication mais tire également directement parti des avancées des technologies SLM et OFC, améliorant ainsi les performances globales du système. À l’avenir, cette architecture est susceptible de diriger une nouvelle ère de traitement de l’information optique écoénergétique, dépassant potentiellement les Petaops dans les environnements de cloud computing futurs.