Le changement déterminant d’INSPIRE n’est pas seulement de calculer avec la lumière. Le circuit fabriqué fournit lui-même les informations nécessaires pour améliorer son calcul. Au lieu d’apprendre les réglages exclusivement dans une copie numérique puis de les transférer, les chercheurs mesurent la réponse du matériel optique réel.
La méthode a été publiée le 5 octobre 2026 dans Nature Computational Science, puis présentée quatre jours plus tard dans un éclairage de Nature. Les auteurs sont Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang et Lu Fang. Tsinghua cite son département d’électronique et le Beijing National Research Center for Information Science and Technology comme établissements pilotes.
INSPIRE signifie descente de gradient physique in situ. Les démonstrations portent sur les matrices, plusieurs longueurs d’onde, des milieux diffusants et l’adaptation rapide par méta-apprentissage. Elles étayent une photonique plus adaptable, pas une victoire sur les GPU pour tout entraînement d’IA.
Entraîner le circuit construit plutôt que sa copie idéale
Un gradient décrit comment une variation de paramètre modifie l’erreur. Les réseaux classiques calculent ces dérivées numériquement. Dans un processeur optique, la lumière traverse guides, réglages de phase et structures diffusantes ; amplitude et phase déterminent ensemble les interférences.
Une simulation dépend de la précision de chaque modèle de composant. Tolérances de fabrication, dérive thermique et bruit séparent la description du dispositif. Dans un circuit cohérent, de petites différences de phase peuvent modifier la transformation entière. Il faut donc caractériser, actualiser le modèle, optimiser, transférer et recalibrer lorsque les conditions changent.
INSPIRE place la mesure du gradient dans cette boucle physique. Les écarts deviennent des conditions observées, plutôt que des phénomènes à reproduire parfaitement d’abord. Objectif, commande électronique et mises à jour restent nécessaires. La méthode réduit la dépendance à une réplique différentiable complète ; elle ne supprime pas logiciels et simulations.
La conception inverse reste utile avant fabrication pour chercher une structure produisant une fonction voulue. Le réglage après fabrication complète cette démarche pour un dispositif configurable dont le comportement exact est difficile à modéliser.
Deux sens de propagation indiquent la correction
Le procédé utilise une holographie synthétique à inversion temporelle sur puce. Un champ direct produit la sortie aux réglages actuels. Un champ inverse transporte des informations liées à l’erreur. Mesurer les champs complexes, amplitude et phase comprises, révèle l’effet des éléments ajustables sur l’objectif.
La réciprocité optique relie les transmissions dans les deux directions. Cette relation permet d’extraire le gradient physique ; le contrôleur change les paramètres et recommence. Mesurer seulement l’intensité ferait perdre la phase indispensable à la description des interférences.
Perturber séparément chaque paramètre demanderait davantage de mesures à mesure que les commandes augmentent. La méthode bidirectionnelle évite ces essais indépendants, mais exige toujours génération, acheminement et mesure des champs ainsi qu’une commande fiable. La formule ne résume pas le coût d’instrumentation.
Les auteurs parlent d’une méthode indépendante de la topologie, non limitée à un arrangement unique. D’autres matériaux, longueurs d’onde ou mécanismes de réglage peuvent toutefois nécessiter une ingénierie propre à chaque plateforme.
Ce que prouvent les valeurs expérimentales
L’entraînement matriciel atteint une erreur relative de 0,26 % entre transformation visée et réalisée. Cela montre un ajustement précis dans ce montage, pas la précision d’un réseau profond arbitraire ni une stabilité garantie sur de longues séquences d’apprentissage.
Plusieurs longueurs d’onde portent des canaux dans le même matériel. Les expériences examinent ce parallélisme spectral. Dans les milieux diffusants, la lumière emprunte des chemins complexes ; INSPIRE exploite leur mélange au lieu de vouloir supprimer chaque irrégularité.
Les matrices cibles dépassent le nombre d’éléments directement ajustables. Le comportement accessible du système peut donc dépasser un simple comptage des commandes. Il ne s’agit pas de paramètres indépendants illimités : contrôlabilité, bruit et qualité de mesure continuent à imposer des limites.
La démonstration méta-photonique teste l’adaptation rapide d’une structure apprise à de nouvelles tâches. L’adaptation en une fois s’accompagne d’une compression du modèle de 251 fois et d’un entraînement spécifique accéléré de 136 fois. Ces comparaisons sont internes à l’expérience, pas des gains contre un GPU commercial ou sur la mémoire de tout modèle en production.
Une étape dans une histoire déjà engagée
Optica proposait dès 2018 la mesure de gradients optiques in situ ; Science démontrait en 2023 une rétropropagation photonique intégrée. Une étude Nature de 2024 utilisait uniquement des passages avant, autre réponse aux difficultés d’envoyer un signal d’erreur en sens inverse.
En mars 2026, un autre résultat Nature associait calcul linéaire et non linéaire sur une puce photonique. Deux classifications non linéaires dépassaient 90 % de précision, avec une robustesse proche d’une référence numérique. INSPIRE met plutôt en avant la compatibilité avec des topologies variées, des matrices aux milieux diffusants et au méta-apprentissage.
Chaque approche impose des conditions différentes de réciprocité, de cheminement et d’instrumentation. Une comparaison sur la même tâche vaut mieux que des rapports de vitesse isolés. Une méthode générale n’est pas automatiquement l’implémentation la moins coûteuse pour chaque plateforme.
Les coûts du système complet restent à mesurer
L’optique réalise certaines opérations linéaires en parallèle. L’IA exige aussi mémoire, non-linéarités, stockage des paramètres, contrôle et mouvements de données. Les accélérateurs électroniques disposent de logiciels mûrs et d’une arithmétique prévisible. INSPIRE ne démontre pas l’entraînement d’un grand modèle de langage.
L’encodage et la détection impliquent des conversions. Lasers, modulateurs, détecteurs, convertisseurs analogique-numérique et numérique-analogique, régulation thermique et mises à jour électroniques consomment temps et énergie. Le résumé ne donne pas de comparaison énergétique de bout en bout avec un GPU actuel. Affirmer une supériorité globale dépasserait les preuves.
Une revue de septembre examinait interféromètres, diffraction et multiplexage en longueur d’onde. Elle soulignait précision analogique, erreurs cumulatives, dégradation du signal sur bruit et conversion inefficace. L’apprentissage physique compense certains écarts de fabrication, pas les pertes optiques, les gradients bruités ni les interactions thermiques entre commandes voisines.
Boîtiers, rendement industriel, durée de vie et calibration de nombreux exemplaires restent ouverts. Des milliards de paramètres nécessitent des degrés de liberté stables et une mémoire importante, pas seulement une meilleure règle pour un petit circuit. Il faut aussi des outils évitant aux développeurs de piloter chaque détail optique.
Les usages proches pourraient être capteurs, communications, imagerie et instruments scientifiques : l’entrée est déjà lumineuse et l’adaptation répétée utile. Certaines conversions peuvent être évitées. Des systèmes hybrides peuvent garder mémoire et commande électroniques et confier des transformations adaptées à l’optique.
La prochaine preuve est un système plus grand et reproductible publiant précision à tâche égale, énergie et latence complètes, charge de mesure et stabilité après dérive. Une reproduction indépendante sur une autre plateforme testerait la généralité. INSPIRE contourne le décalage du modèle ; son économie dépend de toute la boucle d’apprentissage physique.