Programmable k-local Ising interactions and shallow optical Kolmogorov--Arnold networks through repeated data encounters

Dans le monde de l'informatique, il existe un désir persistant de construire des machines capables de résoudre des énigmes complexes en trouvant l'état d'énergie le plus bas d'un système, un peu comme une balle roulant le long d'une colline pour trouver la vallée la plus profonde. Pendant des décences, des scientifiques ont tenté de construire ces « machines d'Ising » en utilisant la lumière, car les photons voyagent vite et peuvent transporter de vastes quantités d'informations. Cependant, la lumière a une limite naturelle : elle est excellente pour effectuer des calculs simples et linéaires, mais elle peine à réaliser les interactions complexes et multi-étapes requises pour les problèmes les plus difficiles. Habituellement, pour permettre à la lumière d'accomplir ces tâches plus complexes, les chercheurs ont dû s'appuyer sur des matériaux spéciaux qui courbent la lumière de manière étrange ou décomposer des problèmes complexes en morceaux plus simples à deux parties. Cette approche ajoute souvent du volume, du coût ou limite les types de problèmes qu'une machine peut résoudre.

Une nouvelle étude de Nikita Stroev et Natalia G. Berloff propose une autre façon d'exploiter la lumière, qui évite totalement le recours à des matériaux exotiques. Au lieu d'essayer de forcer la lumière à se comporter de manière non linéaire en un seul passage, ils ont conçu un système où les données se rencontrent de manière répétée. En envoyant l'information à travers une boucle de miroirs et de lentilles plusieurs fois, et en mesurant soigneusement la lumière à chaque passage, le système peut construire des interactions complexes à partir d'étapes linéaires simples. Les chercheurs ont démontré, par une analyse mathématique rigoureuse et un modèle détaillé de transformée de Fourier discrète finie, que cette méthode peut programmer et évaluer des interactions entre un nombre quelconque de variables, allant de paires à des groupes de quatre ou plus. Leurs travaux suggèrent qu'avec l'architecture appropriée, la lumière peut résoudre des problèmes de haut niveau sans jamais quitter le domaine de l'optique linéaire standard, bien qu'ils notent que ce cadre théorique ne remplace pas encore la nécessité d'une validation expérimentale.

Le cœur de cette découverte réside dans un tour de passe-passe architectural que les auteurs appellent « rencontres répétées ». Imaginez une pièce remplie de miroirs et un faisceau de lumière unique. Dans une configuration standard, la lumière pourrait passer à travers un masque qui représente un problème, être réfléchie, puis mesurée une seule fois. Ce passage unique ne peut capturer que des relations simples. Dans le nouveau design, la lumière n'est pas seulement mesurée une fois ; elle est acheminée de nouveau à travers le même masque, ou un masque similaire, plusieurs fois. Chaque fois que la lumière traverse le masque, elle interagit à nouveau avec les données. Les chercheurs ont prouvé mathématiquement que pour créer une interaction impliquant un nombre spécifique de variables, la lumière doit rencontrer les données au moins la moitié de ce nombre de fois, arrondi à l'entier supérieur. Par exemple, pour créer une relation entre quatre variables, la lumière doit traverser le système deux fois. C'est une limite fondamentale ; aucune ingénierie astucieuse avec un seul passage ne peut accomplir ce que deux passages peuvent faire.

Pour tester cette idée, l'équipe a développé une simulation informatique détaillée d'un système optique idéal agissant comme un relais replié, utilisant une grille de miroirs et de lentilles pour manipuler la lumière. Ils se sont concentrés sur un défi spécifique : créer une interaction à quatre voies, ce qui constitue une étape significative par rapport aux interactions à deux voies standards trouvées dans la plupart des machines actuelles. Ils ont programmé le système pour acheminer la lumière représentant quatre variables spécifiques vers un canal dédié. Lors du premier passage, la lumière a recueilli des informations sur la somme de ces variables. Lors du second passage, le système a réfléchi cette lumière à travers le masque, permettant à la lumière d'interagir une seconde fois avec les variables. En mesurant l'intensité de la lumière après le premier passage et à nouveau après le second, puis en combinant ces mesures avec des poids spécifiques, le système pouvait reconstruire la relation exacte à quatre variables.

Les résultats de la simulation étaient frappants. Lorsque les chercheurs ont utilisé une méthode où la lumière était simplement réfléchie sans re-rencontrer les données, le système a échoué à capturer la relation à quatre voies, ne produisant que des résultats simples à deux voies. Cependant, lorsqu'ils ont utilisé la méthode de « réminiscence réciproque » — où la lumière est renvoyée à travers le masque de données actives — le système a réussi à générer le signal complexe à quatre variables dans le modèle. La simulation a montré que le système pouvait distinguer les seize combinaisons possibles des quatre variables, reconstruisant la valeur d'énergie correcte pour chacune avec une grande précision. Les chercheurs ont également testé la capacité du système à gérer les imperfections, telles que de petites erreurs dans les miroirs ou la taille des fenêtres à travers lesquelles la lumière passait. Ils ont constaté que, bien que ces erreurs introduisent du bruit, le système reste robuste dans le modèle, et que le signal complexe à quatre voies reste clairement distinguable du bruit de fond.

Au-delà de la résolution de puzzles spécifiques, les chercheurs ont montré que cette même architecture pouvait être adaptée à un autre type de tâche informatique : l'entraînement de réseaux de neurones artificiels. En remplaçant les commutateurs binaires marche/arrêt de la machine d'Ising par une plage de valeurs continues, le système pouvait générer des courbes mathématiques complexes, connues sous le nom de fonctions polynomiales, en utilisant le même principe de rencontre répétée. Dans leur simulation, ils ont réussi à entraîner un petit réseau pour apprendre des formes mathématiques spécifiques, démontant que le modèle matériel pouvait agir comme un moteur de apprentissage flexible. Cela suggère que le même dispositif physique pourrait potentiellement être utilisé à la fois pour résoudre des problèmes d'optimisation et pour entraîner des modèles d'apprentissage automatique, simplement en changeant la façon dont les données sont encodées et dont les résultats sont lus.

L'étude prend soin de distinguer ce qui a été prouvé de ce qui reste à voir. Les conclusions présentées sont entièrement basées sur des simulations informatiques rigoureuses d'un système optique idéal, et non sur un dispositif physique construit en laboratoire. Les auteurs précisent explicitement que leurs travaux ne fournissent pas encore de solution matérielle et ne proposent pas de comparaison de vitesse et d'efficacité énergétique par rapport aux ordinateurs existants. Au lieu de cela, ils ont fourni un schéma théorique et une preuve de concept montrant le nombre minimal d'étapes nécessaires pour atteindre ces interactions et comment les construire. Ils soutiennent que, bien que les mathématiques soient solides et que les simulations soient cohérentes, la prochaine étape consiste à construire un prototype physique pour voir comment les facteurs du monde réel, tels que la perte de lumière, le bruit des détecteurs et les miroirs imparfaits, affectent les performances.

La portée de ce travail réside dans sa simplicité et son efficacité. En prouvant que des interactions linéaires répétées peuvent générer des résultats non linéaires complexes, les chercheurs ont ouvert la voie à la construction d'ordinateurs photoniques plus puissants sans avoir besoin de matériaux non linéaires coûteux ou difficiles à fabriquer. Ils ont montré que la clé pour débloquer des interactions d'ordre supérieur ne réside pas dans le matériau que la lumière traverse, mais dans l'architecture du chemin qu'elle emprunte. Si cette approche peut être réalisée en matériel, elle pourrait conduire à une nouvelle génération de processeurs optiques capables de s'attaquer aux problèmes d'optimisation et d'apprentissage les plus difficiles, avec un niveau de flexibilité et de vitesse que les ordinateurs électroniques actuels peinent à égaler. L'article conclut que, bien que le passage de la simulation à la réalité physique nécessitera une ingénierie supplémentaire, les principes fondamentaux sont sains, offrant une direction claire et prometteuse pour l'avenir de l'informatique optique.