Les modèles de réseaux neuronaux profonds qui alimentent les applications d’apprentissage machine les plus exigeantes d’aujourd’hui sont devenus si vastes et complexes qu’ils repoussent les limites du matériel informatique électronique traditionnel. Le matériel photonique, qui réalise des calculs d’apprentissage machine avec la lumière, propose une alternative plus rapide et écoénergétique. Toutefois, jusqu’à récemment, certains types de calculs de réseaux neuronaux étaient impossibles à effectuer avec des dispositifs photoniques, nécessitant des composants électroniques hors puce qui freinaient la vitesse et l’efficacité.
Dans un geste qui pourrait redéfinir l’avenir de l’infrastructure de l’intelligence artificielle, Lightmatter a dévoilé en avril 2025 sa puce de calcul photonique révolutionnaire Envise, conçue pour réduire drastiquement la consommation d’énergie tout en accélérant les charges de travail en IA. La puce Envise—qui exploite la lumière plutôt que les électrons pour effectuer les calculs—promet une solution aux inefficacités croissantes des puces de silicium conventionnelles, alors que les modèles d’IA exigent une puissance de traitement sans précédent. Évaluée à 4,4 milliards de dollars après une ronde de financement de 850 millions, Lightmatter se positionne à l’avant-garde d’un nouveau paradigme informatique.
Les processeurs photoniques de Lightmatter utilisent la lumière pour effectuer des calculs, notamment les opérations tensorielles au cœur de l’apprentissage profond. En manipulant la lumière à travers des composants optiques comme des guides d’ondes et des lentilles, ces puces réalisent des calculs à la vitesse de la lumière, atteignant une précision quasi électronique tout en consommant beaucoup moins d’énergie. Par exemple, leur processeur photonique effectue 65,5 billions d’opérations Adaptive Block Floating-Point 16 bits par seconde en n’utilisant que 78 watts d’énergie électrique.
Parallèlement, Q.ANT a présenté son serveur photonic Native Processing Server (NPS) lors de l’ISC 2025 en juin. Basé sur l’architecture Light Empowered Native Arithmetic (LENA) de Q.ANT, le NPS offre jusqu’à 30 fois l’efficacité énergétique des technologies conventionnelles avec des spécifications impressionnantes : une précision en virgule flottante 16 bits avec 99,7 % d’exactitude pour toutes les opérations de calcul, 40 à 50 % moins d’opérations requises pour un résultat équivalent, et aucune nécessité d’infrastructure de refroidissement actif.
Au-delà des gains de performance, des chercheurs ont également démontré que même des ordinateurs quantiques de petite échelle peuvent améliorer les performances de l’apprentissage machine grâce à de nouveaux circuits quantiques photoniques. Leurs résultats suggèrent que la technologie quantique actuelle n’est plus seulement expérimentale—elle peut déjà surpasser les systèmes classiques dans certaines tâches spécifiques. Notamment, cette approche photonique pourrait aussi réduire drastiquement la consommation d’énergie, offrant une voie durable alors que les besoins énergétiques de l’apprentissage machine explosent.
Alors que l’intelligence artificielle continue de progresser à un rythme fulgurant, la demande croissante en puissance de calcul—particulièrement pour les tâches d’inférence exigeantes illustrées par les modèles génératifs comme ChatGPT—pose des défis aux systèmes électroniques conventionnels. Les avancées en photonique ont ravivé l’intérêt pour l’informatique photonique comme modalité prometteuse pour l’IA. Grâce à la fusion profonde de l’IA et des technologies photoniques, la photonique intelligente émerge comme un champ interdisciplinaire porteur d’un potentiel considérable pour révolutionner les applications pratiques.