Par Marie
Les processeurs photoniques programmables, des puces qui manipulent la lumière à travers des réseaux de guides d’ondes interconnectés, promettent un calcul plus rapide et plus économe en énergie pour les applications classiques et quantiques. Mais ils ont un problème persistant : les imperfections de fabrication font que chaque puce se comporte légèrement différemment, et les calibrer pour effectuer des calculs arbitraires est notoirement difficile.
Une nouvelle prépublication de chercheurs de l’Universitat Politecnica de Valencia, de l’Université Paris-Saclay et de l’Université Queen’s présente un framework de réseau de neurones tandem qui améliore considérablement la précision de calibration sur ces dispositifs et, surtout, généralise à des opérations optiques arbitraires plutôt qu’à celles sur lesquelles le réseau a été entraîné.
Le problème
Les processeurs photoniques utilisent des réseaux maillés d’interféromètres Mach-Zehnder (MZI), des éléments optiques qui divisent et recombinent la lumière, pour effectuer des transformations unitaires programmables sur les signaux lumineux. Un maillage 3×3 utilise 6 MZI ; un maillage 4×4 en utilise 10. Chaque MZI nécessite un réglage précis du courant pour obtenir le déphasage souhaité. Les variations de fabrication, la diaphonie thermique et la dérive environnementale font que le même réglage de courant produit des résultats différents sur différentes puces, et même sur la même puce à différents moments.
Les approches de calibration standard échantillonnent les courants uniformément sur une plage fixe. Sur les maillages MZI cohérents, cela produit une distribution fortement biaisée des opérations optiques réalisées, concentrée autour d’un petit sous-ensemble de toutes les transformations possibles. Un réseau entraîné sur de telles données fonctionne bien sur les opérations familières mais échoue sur les opérations inconnues.
L’approche
L’équipe dirigée par Jose Roberto Rausell-Campo a conçu un réseau de neurones tandem (TNN) avec deux composants. Un réseau direct apprend le mappage des courants appliqués à la transformation optique réelle réalisée sur la puce, constituant effectivement un modèle différentiable du matériel physique. Un réseau inverse apprend ensuite le mappage inverse : étant donné une transformation souhaitée, prédire les courants nécessaires pour la réaliser.
L’innovation clé réside dans la façon dont les données d’entraînement sont générées. Plutôt que d’échantillonner les courants uniformément, les chercheurs ont dérivé la distribution correcte des courants à partir de la théorie des matrices aléatoires en utilisant les principes de la mesure de Haar, la distribution uniforme unique sur le groupe unitaire. Cette méthode d’échantillonnage sensible à l’architecture (AAS) génère des données d’entraînement qui couvrent tout l’espace des transformations optiques possibles.
Une variante entièrement indépendante de la physique, l’échantillonnage optimisé (OS), utilise l’évolution différentielle pour rechercher des réglages de courant qui produisent des transformations cibles spécifiques sans aucune connaissance de la topologie interne de la puce, au prix d’une acquisition de données significativement plus longue.
Les résultats
Sur un maillage MZI 3×3, l’AAS a amélioré la précision de calibration d’environ 4,0 bits (référence uniforme) à 6,31 bits lors des tests sur des matrices unitaires aléatoires, soit un gain d’environ 2,3 bits. L’OS a atteint 5,9 bits. Sur un maillage 4×4, l’AAS a atteint 5,79 bits et l’OS 5,58 bits, contre environ 4,0 bits pour l’échantillonnage uniforme.
Le résultat critique est que l’AAS et l’OS montrent un écart minimal entre les performances sur les données de la distribution d’entraînement et les données de test aléatoires, ce qui signifie qu’ils atteignent une véritable généralisation. La référence uniforme s’effondre à environ 4 bits sur les matrices unitaires aléatoires tout en paraissant compétitive sur les données adaptées à la distribution.
Le framework a également été validé sur une porte universelle 2×2 pour la détection cohérente, réalisant un contrôle quasi parfait simultané de l’amplitude et de la phase, la première démonstration expérimentale d’un réseau de neurones en boîte noire pour la prédiction de phase dans les circuits photoniques programmables.
Pourquoi c’est important
En calcul optique quantique, les circuits photoniques nécessitent des transformations unitaires de haute fidélité pour des opérations comme l’échantillonnage de Boson et le calcul quantique optique linéaire. Les erreurs de fabrication provoquent des infidélités qui augmentent avec la taille du circuit. Une amélioration de la précision de 2 bits se traduit directement par des fidélités de porte plus élevées.
En calcul optique classique, les réseaux de neurones photoniques pour des tâches comme la classification d’images, le framework a été testé sur des charges de travail réalistes incluant un réseau de neurones impulsionnel sur un ensemble de données en spirale et ResNet-50, Inception-V3 et MobileNet-V3 sur CIFAR-10. Inception-V3 avec AAS/OS a montré une dégradation d’environ 7 % par rapport à la référence numérique 32 bits, tandis que l’échantillonnage uniforme a dépassé 40 % de dégradation.
Les réserves
La prépublication n’a pas encore été soumise à un examen par les pairs. La limitation pratique la plus significative est le temps d’acquisition des données : l’instrumentation actuelle prend environ 0,54 à 0,72 seconde par mesure de matrice. Pour l’AAS sur un maillage 4×4, cela se traduit par 45 à 300 heures de collecte de données ; pour l’OS, 162 à 1 600 heures. Les auteurs notent que cela pourrait être réduit d’environ 1 000 fois en opérant dans les constantes de temps thermiques ou en utilisant des actionneurs électro-optiques, mais ces améliorations n’ont pas encore été démontrées. La calibration est un coût unique par dispositif, l’inférence est rapide, mais une acquisition lente limite l’adoption pratique pour les maillages plus grands.
Divulgation : Basé sur la prépublication arXiv 2601.04122, version 2 (mai 2026), qui n’a pas été soumise à un examen par les pairs.
Sources
Rausell-Campo JR, Melati D, Shastri B, Perez-Lopez D, Capmany J. “Universal Neural Network Based Calibration and Control of Programmable Classical and Quantum Photonic Integrated Processors.” arXiv:2601.04122 (v2, mai 2026). DOI : 10.48550/arXiv.2601.04122
Traduit par Lydie