🤖 machine learning

HAMON: Passive Optical Sequence Mixing for Long-Horizon Forecasting

L'article présente HAMON, un noyau de prévision optique diffractif passif qui exploite la diffraction en espace libre et des masques de phase entraînables pour effectuer la prédiction de séries temporelles à long horizon sans mélange de séquences numériques, atteignant des performances compétitives ou supérieures à des bases de référence numériques fortes sur plusieurs bancs d'essai tout en définissant une cible concrète pour l'implémentation de matériel optique.

Auteurs originaux : Alper Yıldırım

Publié 2026-06-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Alper Yıldırım

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de prédire la météo pour la semaine prochaine en vous basant sur les données de la semaine dernière. Habituellement, les ordinateurs font cela en exécutant des calculs numériques complexes, en faisant travailler les chiffres dans une puce de silicium, couche par couche.

Ce document présente HAMON, une méthode complètement différente pour y parvenir. Au lieu d'utiliser un cerveau numérique pour calculer le futur, HAMON utilise la lumière elle-même pour « faire les mathématiques ».

Voici comment cela fonctionne, en utilisant des analogies simples :

1. La configuration : Une fenêtre avec une vue

Considérez HAMON comme une fenêtre spéciale.

Le Passé (l'Entrée) : Vous prenez l'historique des données (comme les 336 dernières heures de température) et vous les peignez sur le côté gauche de cette fenêtre. Si la température était élevée, la peinture est brillante ; si elle était basse, elle est terne.
Le Futur (la Sortie) : Le côté droit de la fenêtre est laissé complètement sombre. Cela représente la période de temps que vous voulez prédire.
L'Objectif : Vous voulez que la lumière du côté « Passé » coule naturellement à travers la fenêtre et forme magiquement une image du « Futur » sur le côté sombre.

2. Le tour de magie : La lumière passive

Dans un ordinateur normal, vous auriez besoin d'un processeur pour calculer comment le passé devient le futur. Avec HAMON, vous n'avez pas besoin d'un processeur pour le gros du travail.

Au lieu de cela, vous placez une série de feuilles transparentes spéciales (appelées masques de phase) entre le passé et le futur. Ces feuilles sont comme des filtres sur mesure qui courbent et tordent la lumière de manières très spécifiques.

Lorsque vous faites passer la lumière du « Passé » à travers ces feuilles, les ondes lumineuses interfèrent entre elles (comme des ondulations se rencontrant dans un étang).
Parce que les lois de la physique (plus précisément la façon dont la lumière se diffracte et se propage) sont en jeu, la lumière change naturellement de forme pendant son trajet.
Au moment où la lumière atteint le côté « Futur », le motif lumineux est la prédiction.

L'innovation clé : L'ordinateur doit seulement déterminer quelle forme ces feuilles transparentes doivent avoir. Une fois qu'elles sont conçues, la prédiction réelle se fait automatiquement lorsque la lumière passe à travers elles. Aucun calcul numérique n'est nécessaire pendant la prédiction elle-même. C'est comme installer une chaîne de dominos : une fois que vous avez poussé le premier, les autres tombent d'eux-mêmes.

3. Pourquoi faire cela ?

L'auteur a remarqué que pour les prédictions à long terme, le « calcul » requis est en réalité assez simple et linéaire (direct). Il n'a pas besoin du cerveau numérique ultra-complexe et très puissant que l'IA numérique moderne utilise habituellement.

Puisque la lumière effectue naturellement ces calculs linéaires simples gratuitement pendant son trajet, pourquoi utiliser une puce numérique lente et gourmande en énergie ? HAMON demande : « Pouvons-nous simplement laisser la physique faire le travail ? »

4. Qu'ont-ils trouvé ?

Les chercheurs ont testé cette idée à l'aide d'une simulation informatique de la lumière (puisqu'ils n'ont pas encore construit de machine physique composée de verre et de lentilles).

Les Résultats : Sur plusieurs ensembles de données standards concernant la météo et l'énergie, HAMON a obtenu des résultats étonnamment bons. Dans certains cas, il était même meilleur que les modèles d'IA numériques les plus puissants actuellement disponibles.
La Preuve : Ils ont effectué des « tests de cohérence » pour s'assurer que la lumière faisait réellement le travail. Lorsqu'ils brouillaient les motifs lumineux ou modifiaient la façon dont la lumière entrait, les prédictions devenaient moins bonnes. Cela a prouvé que le système ne trichait pas avec un calculateur numérique caché à la fin, mais que la lumière elle-même transportait l'information.

5. Le bémol (Ce que ce n'est pas)

Ce n'est pas encore un produit fini : Il s'agit actuellement d'une simulation. Ils n'ont pas encore construit de dispositif physique avec du vrai verre et des lasers.
Ce n'est pas un remplacement complet : Le système a toujours besoin d'un ordinateur numérique pour « préparer » les données (les normaliser) avant de les projeter dans la lumière, et pour « lire » le résultat après le passage de la lumière. Mais la partie centrale de la « réflexion » est effectuée par la lumière passive.

L'essentiel

HAMON est une preuve de concept qui affirme : Nous n'avons pas toujours besoin d'un cerveau numérique pour prédire le futur. Parfois, si vous installez le bon environnement physique (comme une série de feuilles qui courbent la lumière), la nature fera la prédiction pour vous, simplement en laissant la lumière voyager à travers elle. C'est une étape vers l'utilisation des lois de la physique pour rendre l'IA plus rapide et plus efficace.

Résumé technique : HAMON – Mélange optique passif de séquences pour la prévision à long horizon

Énoncé du problème

La prévision de séries temporelles à long horizon s'appuie traditionnellement sur des architectures d'apprentissage profond, particulièrement les Transformers, qui utilisent des représentations denses et superposées ainsi que la multiplication de matrices numériques. Cependant, des preuves récentes suggèrent que des performances compétitives sur les benchmarks standards ne nécessitent pas nécessairement ces caractéristiques non linéaires complexes. Des modèles linéaires légers (par exemple, DLinear) et des modèles dans le domaine fréquentiel (par exemple, FITS) ont démontré que l'opérateur de prévision central est souvent de faible complexité et approximativement linéaire.

Cette observation soulève une question fondamentale concernant le substrat de calcul : si l'opération de prévision centrale est essentiellement un mélange linéaire de composantes temporelles ou spectrales, doit-elle impérativement être implémentée via une arithmétique numérique apprise ? Le papier postule que les opérateurs linéaires, qui sont coûteux en calcul dans le silicium (nécessitant des opérations de multiplication-accumulation), peuvent être effectués « gratuitement » par des milieux physiques passifs, spécifiquement la propagation de la lumière cohérente régie par l'optique de Fourier.

Méthodologie

Les auteurs introduisent HAMON (Passive Optical Sequence Mixing), une architecture de prévision qui remplace la couche de mélange de séquences numérique par un cœur optique diffractif passif.

Architecture centrale

HAMON reformule la tâche de prévision comme un problème de diffraction :

Encodage d'entrée : Une série temporelle multivariée historique $x \in \mathbb{R}^{L \times C}$ $x \in R^{L \times C}$ est normalisée (en utilisant une normalisation d'instance réversible, RevIN) et encodée sur une ouverture optique unidimensionnelle de largeur $G$ $G$ .
- Encodage d'amplitude : Les valeurs normalisées définissent directement l'amplitude du champ.
- Encodage de phase : L'ouverture a une magnitude unitaire, et les valeurs normalisées modulent la phase ( $e^{i\alpha \pi x}$ ).
- Les positions « futures » sur l'ouverture sont laissées sombres (intensité nulle).
Cœur optique passif : L'entrée du champ se propage à travers une série de $N$ $N$ masques de phase en cascade, séparés par des distances de propagation en espace libre $z$ $z$ .
- Masques de phase : Chaque couche $\ell$ applique un déphasage $\phi_\ell$ via une multiplication élément par élément : $U \leftarrow U \odot \exp(i\phi_\ell)$ .
- Propagation : Entre les masques, le champ se propage en utilisant la méthode du spectre angulaire (optique de Fourier), simulant la diffraction et l'interférence.
- Lecture (Readout) : Le champ est propagé vers un plan de lecture. La prévision est extraite de la région initialement sombre correspondant aux étapes temporelles futures.
  - Lecture cohérente : Utilise la partie réelle du champ complexe.
  - Lecture d'intensité : Utilise la magnitude au carré $|U|^2$ .
  - Lecture d'intensité différentielle : Soustrait les intensités de deux régions sombres pour produire une sortie signée compatible avec les détecteurs standards.
Traitement de sortie : La lecture est dénormalisée pour produire la prévision finale $y \in \mathbb{R}^{H \times C}$ .

Entraînement

Le système est entraîné via une rétropropagation numérique à travers un simulateur d'optique ondulatoire différentiable. Les paramètres entraînables sont exclusivement les profils de phase des masques $\{\phi_\ell\}_{\ell=1}^N$ . La fonction de perte combine l'erreur quadratique moyenne (MSE) sur la prévision avec un terme de rétro-prédiction (backcast) auxiliaire pour reconstruire l'historique d'entrée. Aucun en-tête de prévision linéaire numérique n'est appliqué après le cœur optique.

Contributions clés

Substitution de substrat : HAMON démontre que l'opérateur de mélange de séquences des prévoyants compétitifs peut être déplacé du silicium numérique vers la lumière passive. Il remplace la couche linéaire numérique apprise par un opérateur de propagation diffractive entraînable.
Inférence passive : Contraなる aux réseaux de neurones optiques précédents qui reposent sur des réservoirs non linéaires ou des têtes de lecture numériques, HAMON effectue l'intégralité du mélange de séquences via un passage unique de propagation optique passive.
Conception sensible au matériel (Hardware-Aware) : L'architecture est conçue en tenant compte des contraintes matérielles, offrant des variantes (Phase/Differential-Intensity) compatibles avec les détecteurs d'intensité standards, évitant ainsi le besoin de lecture d'amplitude cohérente.
Validation mécaniste : À travers des études d'ablation (scrambling de phase, variations d'interface) et des vérifications de simulateurs croisés (TorchOptics), les auteurs vérifient que la capacité de prévision provient du champ optique porteur de données et de la physique de la diffraction, et non des conditions limites numériques.

Résultats expérimentaux

HAMON a été évalué sur des benchmarks de prévision à long horizon standards (ETT, Weather, Electricity, Traffic) avec des horizons de prédiction $H \in \{96, 192, 336, 720\}$ et un historique de $L=336$ .

Performance :
- ETTm2 : HAMON a surpassé les bases numériques les plus fortes (incluant PatchTST et DLinear) à tous les horizons, améliorant la MSE jusqu'à 14 %.
- ETTh2 : A surpassé les bases à tous les horizons, sauf pour le plus long (720).
- Autres jeux de données : HAMON était compétitif sur Weather et a suivi de près les bases les plus fortes sur ETTh1, ETTm1, Electricity et Traffic.
Variantes de lecture : La variante « HAMON-DiffInt » (encodage de phase + lecture d'intensité différentielle), compatible avec les détecteurs, est restée compétitive avec la variante de lecture cohérente, améliorant particulièrement les performances sur ETTm1 et Weather.
Ablations :
- Scrambling de phase : L'annulation, le mélange ou l'inversion de signe de la phase d'entrée a considérablement dégradé les performances, confirmant que le modèle repose sur la structure de phase temporelle des données.
- Profondeur : Augmenter le nombre de couches de 16 à 24 n'a apporté que des améliorations marginales, suggérant que la configuration à 16 couches capture la physique nécessaire.
- Longueur de contexte : Augmenter l'historique de 96 à 336 a amélioré les performances, indiquant que l'ouverture optique bénéficie d'un contexte historique supplémentaire.

Signification et affirmations

Le papier cadre explicitement HAMON non pas comme un nouveau modèle numérique de pointe, mais comme une investigation au niveau du substrat. La revendication principale est que le calcul central des modèles de séquences modernes — spécifiquement le mélange linéaire requis pour la prévision à long horizon — peut être instancié comme un processus physique passif.

Portée modeste : Les auteurs reconnaissent que HAMON n'est pas un apprenant entièrement optique de bout en bout ; la normalisation, l'encodage et la lecture restent des opérations de bord numériques ou électro-optiques.
Simulation vs Matériel : Les résultats sont basés sur des simulations d'optique ondulatoire. Le papier ne prétend pas à une validation matérielle expérimentale, mais soutient que la physique sous-jacente (optique de Fourier, diffraction, interférence) est standard et bien comprise.
Direction future : HAMON définit une cible concrète pour une implémentation matérielle optique. Il suggère que le « mélange de séquences physique passif » est un programme de recherche plausible, offrant potentiellement une inférence plus économe en énergie en déchargeant les opérations linéaires des processeurs numériques vers les dispositifs diffractifs.

En résumé, HAMON valide l'hypothèse que si une tâche de prévision peut être résolue par un opérateur linéaire, cet opérateur ne nécessite pas strictement une implémentation numérique et peut être efficacement réalisé via une diffraction passive entraînable.