Calcul informatique avec des réseaux neuronaux photoniques à impulsions exploitant la parcimonie

Les réseaux neuronaux à impulsions (Spiking Neural Networks, SNNs) sont des architectures neuromorphiques inspirées du cerveau biologique, offrant des avantages potentiels en termes d'efficacité énergétique et de rapidité grâce à l'exploitation de la parcimonie. Bien que les implémentations électroniques des SNNs basées sur la technologie CMOS soient prometteuses, elles rencontrent des défis en matière de passage à l’échelle et de parallélisme. En revanche, la photonique constitue une alternative puissante, tirant parti de la vitesse élevée des neurones photoniques excitables et de la propagation optique parallèle et à faible latence.Dans cette thèse, nous introduisons un SNN photonique composé de 40 000 neurones, utilisant des composants optiques commercialement disponibles, tels qu’un modulateur spatial de lumière et une caméra CMOS. Cette approche offre une solution évolutive et économique pour les recherches sur les preuves de concept des SNN photoniques. La dynamique du système est régie par une carte d’Ikeda modifiée, et l’introduction d’un rétrocontrôle lent et inhibiteur induit une excitabilité reproduisant le comportement biologique.En appliquant le concept de Machine à État Liquide (Liquid State Machine, LSM), nous entraînons notre système avec la régression Ridge et comparons ses performances à celles obtenues avec l'algorithme SPSA, compatible avec le matériel, marquant ainsi sa première application dans les réseaux neuronaux photoniques. En exploitant l’encodage basé sur la latence et la parcimonie, le réseau atteint 83,5% de précision sur MNIST avec 78,06% de parcimonie lorsqu’il est entraîné avec SPSA, et 77,36% de précision avec 62,46% de parcimonie lorsqu’il est entraîné avec la régression Ridge.En intégrant la non-linéarité photonique, l’excitabilité et le calcul parcimonieux, ce travail expérimental de preuve de concept établit les bases des systèmes neuromorphiques photoniques évolutifs et efficaces.