Une étude, dont les résultats intitulés «All-optical machine learning using diffractive deep neural networks» ont été publiés dans la revue Science, a permis, grâce à l'impression 3D, de créer un réseau neuronal profond, baptisé 'réseau neuronal profond diffractif', qui fonctionne non pas à l'électricité mais avec de la lumière.

Rappelons tout d'abord que dans le domaine de l’intelligence artificielle (IA), «l'apprentissage profond (deep learning)» est une technique qui «repose sur plusieurs méthodes d'apprentissage automatique (machine learning) pour entraîner des systèmes à partir de divers types de données grâce auxquelles ils vont élaborer des modèles de représentation et d'abstraction qui serviront ensuite à interpréter des informations dont ils n'ont pas une connaissance préalable».

La notion de profondeur découle du fait que «le deep learning utilise différentes couches de traitement des données», des couches intriquées de sorte que «les informations produites en sortie par l'une servant de point de départ pour la suivante, etc.». Comme «les réseaux de neurones artificiels multicouches utilisent cette architecture», grâce à cet «apprentissage profond» de «grands progrès dans la reconnaissance faciale, vocale et audio, le traitement du langage, le filtrage des réseaux sociaux et l'analyse d'images médicales» ont été accomplis.

Alors que jusqu'ici «les systèmes d'apprentissage profond s'exécutent sur des ordinateurs tout ce qu'il y a de plus classique», le réseau neuronal profond présenté dans cette étude «n'a pas besoin d'électrons mais seulement de lumière», car «il utilise des composants passifs qui vont remplir certaines fonctions selon la manière dont ils ont été agencés».

Concrètement, ces composants passifs sont des «plaquettes translucides fabriquées par impression 3D qui sont recouvertes de milliers de pixels en relief» où «chaque plaquette représente une couche du réseau neuronal» et où les neurones artificiels sont «les pixels qui vont soit réfléchir soit transmettre la lumière selon un certain angle». Dans cette étude, «cinq plaquettes disposées face à face en rangée avec un espace entre elles, comme des dominos» ont été utilisées.

Pour tester le système, il lui a été demandé «de reconnaître des chiffres entre 0 et 9», la phase d'entraînement préalable de ce réseau neuronal ayant été faite «sur un ordinateur à partir d'une base de données de 55.000 images de nombres»: plus précisément, «les connexions créées entre chaque couche de neurones artificiels» ont été identifiées et converties «en pixels chargés de diriger la lumière de manière similaire», puis matérialisés par impression 3D.

Chaque chiffre était projeté, lors du test, «par un laser à l'aide d'un masque imprimé en 3D placé devant la première couche», la lumière cheminait alors «à travers les autres couches du réseau neuronal en allant se concentrer sur des zones spécifiques». En dernier lieu des photodétecteurs «situés à l'autre extrémité du réseau récupéraient le signal lumineux de sortie puis livraient la réponse». Réalisé «avec des milliers de chiffres», le test «a atteint une précision de près de 95 %».

Néanmoins «de nombreuses contraintes techniques demeurent»: d'abord, «il faut un alignement très précis des plaquettes pour que le jeu de lumière puisse reproduire les interconnexions neuronales avec efficacité», et ensuite, «le système de reconnaissance ne fonctionne qu'avec un seul objet qu'il faut préalablement imprimer en 3D sur un masque avant de le projeter».