L'informatique photonique neuromorphique rencontre la mémoire analogique : éliminer le goulot d'étranglement de la conversion des données La plupart des matériels d'IA fonctionnent sur des puces électroniques où les calculs sont effectués en déplaçant des électrons à travers des transistors. Mais il existe une alternative croissante : effectuer des opérations de réseaux de neurones en utilisant la lumière. Dans les processeurs photoniques, les multiplications de matrices sont exécutées en encodant les données sous forme de signaux optiques et en les faisant passer à travers des réseaux de résonateurs microronds réglables, chacun agissant comme un poids synaptique. La physique de la lumière permet un parallélisme massif et une propagation à très faible latence, promettant des vitesses et des efficacités énergétiques que l'électronique seule ne peut égaler. Pourtant, il existe un goulot d'étranglement étonnamment banal : chaque poids synaptique nécessite un convertisseur numérique-analogique (DAC) dédié pour alimenter en continu le modulateur qui l'encode. Pour une matrice de poids de taille n×n, cela représente n² DAC fonctionnant sans arrêt—non pas pour calculer, mais juste pour maintenir les tensions en place. Le coût énergétique du transfert de données entre la mémoire numérique et le calcul analogique risque de neutraliser les avantages mêmes qui rendent la photonique attrayante. Sean Lam et ses co-auteurs démontrent une solution élégante : placer un petit condensateur directement sur chaque modulateur optique. Une fois chargé, il maintient le poids sans avoir besoin d'un DAC pour rester actif. Les DAC sont ensuite partagés le long des colonnes et activés uniquement lorsque les poids doivent être mis à jour—scalant comme n au lieu de n². Le concept, appelé mémoire analogique électro-optique dynamique (DEOAM), est fabriqué sur une puce photonica en silicium monolithique dans un processus de fonderie standard de 90 nm, réalisant plus de 26× d'économies d'énergie par rapport aux conceptions conventionnelles. Les chiffres expérimentaux cadrent clairement les compromis. Le temps d'écriture est d'environ 40 à 50 ns, le temps de rétention d'environ 0,83 ms, l'énergie par écriture d'environ 56 pJ, et la précision des bits autour de 5,6 bits. La rétention dépend de la puissance optique incidente—plus de lumière signifie plus de fuite—créant une tension directe entre la qualité du signal et la durée de vie de la mémoire. Pour comprendre ce que ces spécifications signifient pour des charges de travail réelles, les auteurs émulent un réseau de neurones à trois couches sur MNIST. Un rapport de rétention à latence de réseau de seulement 100 suffit à maintenir la précision d'inférence au-dessus de 90 %. Les réseaux entraînés avec la fuite incluse deviennent substantiellement plus robustes—un exemple frappant de l'entraînement conscient du matériel qui porte ses fruits. Le même principe qui régit le calcul en mémoire électronique—que le déplacement de données coûte plus d'énergie que le calcul avec celles-ci—s'applique ici dans un domaine électro-optique hybride. La plupart des processeurs photoniques d'aujourd'hui ne peuvent effectuer que des inférences avec des poids entraînés hors ligne sur des GPU. DEOAM ouvre une voie vers un entraînement en ligne sur puce, où le réseau s'adapte continuellement aux nouvelles données et à la dérive matérielle. Article :