Du silicium à la lumière : la prochaine vague de matériel IA

Alors que l’intelligence artificielle (IA) continue de gagner en popularité et en puissance, son appétit pour la vitesse et l’énergie augmente également. Le besoin de systèmes plus rapides, plus intelligents et plus efficaces a conduit les chercheurs à explorer une alternative radicale: le calcul optique.

Contrairement aux processeurs traditionnels qui utilisent des électrons, le calcul optique utilise des photons, ou particules de lumière, pour transmettre et traiter l’information. Ce changement offre deux avantages cruciaux.

Premièrement, les photons sont nettement plus économes en énergie. Ils produisent beaucoup moins de chaleur que les électrons, qui génèrent tant de chaleur que cela limite leurs performances et nécessite de grands systèmes de refroidissement coûteux dans les centres de données.

Deuxièmement, la lumière voyage beaucoup, beaucoup plus vite que les courants électriques, permettant des opérations nettement plus rapides. Les signaux optiques peuvent également transporter davantage d’informations, offrant une voie simple vers un calcul plus propre et plus rapide.

En conséquence, l’intérêt pour le calcul photonique ne cesse de croître. La technologie montre des résultats prometteurs en laboratoire et attire d’importants investissements de la part de grandes entreprises.

Cependant, transformer ce succès en laboratoire en dispositifs photoniques pratiques s’est avéré assez difficile. Pour cela, nous devons d’abord franchir plusieurs obstacles. Les photons n’interagissent pas naturellement entre eux, ce qui rend difficile la construction des portes logiques optiques fondamentales pour le calcul. De plus, la technologie est encore en phase de recherche, elle ne possède donc pas la maturité et les économies d’échelle dont bénéficie la fabrication de puces électroniques grâce à des décennies de commercialisation.

Ensuite, le coût, le volume et les faibles taux de modulation limitent la plupart des configurations optiques existantes.

Une nouvelle étude a franchi un pas majeur pour surmonter certaines limites en développant un nouveau moteur optique, qui combine vitesse, efficacité et compacité sur une puce.

Des chercheurs de l’Université Tsinghua ont développé un système optique révolutionnaire pour le calcul qui effectue l’extraction de caractéristiques avec une latence sans précédent, ce qui pourrait révolutionner le traitement de l’IA.

L’utilisation de la lumière plutôt que de l’électricité pour traiter les données permet à la technologie d’accélérer considérablement le calcul tout en minimisant la latence, un grand pas vers l’IA en temps réel.

Au cœur de ce nouveau système se trouve un interféromètre Mach-Zehnder basé sur un amplificateur optique à semi-conducteur, ou SOA-MZI.

Un SOA est un dispositif compact qui amplifie directement les signaux lumineux par émission stimulée. Pendant ce temps, le MZI, l’un des plus anciens instruments optiques, est un dispositif d’interférence de guides d’onde basique composé de deux coupleurs reliés par deux guides d’onde de longueurs différentes.

Aujourd’hui, la configuration SOA-MZI permet à la lumière d’effectuer le travail qui sous-tend l’apprentissage profond. L’information est ainsi traitée, et des caractéristiques telles que les motifs et les contours sont détectés dans le signal lumineux, sans les reconvertir en électricité.

De plus, une méthode de multiplexage en longueur d’onde (WDM) (WDM) est utilisée par le dispositif. Cette méthode particulière divise la lumière en un spectre de couleurs, chaque couleur transportant son propre flux de données. Exploiter le WDM permet à la puce d’exécuter de nombreux calculs en parallèle, augmentant ainsi le débit.

Lorsqu’il a été testé en laboratoire, le moteur a traité des données à des vitesses allant jusqu’à 10 gigabits par seconde (Gbps) par canal avec une latence de seulement quelques dizaines de picosecondes (ps). Pour mettre cela en perspective, un ps équivaut à 1 000 femtosecondes ou à un millième de nanoseconde.

Ces résultats montrent que le moteur est bien plus rapide que tout processeur électronique ne pourrait espérer atteindre.

Ce que signifie cette vitesse, c’est que le système peut traiter l’information en temps réel, le rendant parfait pour des applications telles que le trading à haute fréquence, l’imagerie médicale, la chirurgie robotique, ou les véhicules autonomes. Ces applications reposent sur la capacité de l’IA à extraire rapidement les caractéristiques clés des données brutes, de sorte que même quelques millisecondes ont une grande importance.

La percée: le moteur optique de Tsinghua et l’IA en temps réel

La loi de Moore indique que le nombre de transistors sur une puce microélectronique double environ tous les deux ans. Cela entraîne une augmentation de la puissance de calcul, une diminution des coûts et, globalement, des appareils plus petits.

Cette tendance, qui a stimulé l’innovation dans l’industrie des semi-conducteurs, semble maintenant toucher à sa fin. Réduits à quelques nanomètres, les transistors approchent les limites physiques de la technologie basée sur le silicium.

Outre la taille réduite, qui entraîne le tunnelage des électrons et des courants de fuite augmentant la consommation d’énergie et la génération de chaleur, le coût de fabrication des puces microélectroniques de pointe a explosé. Parallèlement, le silicium lui-même atteint ses limites de performance et de scalabilité.

C’est pourquoi les chercheurs et les entreprises explorent des solutions alternatives telles que les chiplets, le système‑in‑package (SiP), la mémoire non volatile, l’informatique quantique, le biocomputing et, bien sûr, la photonique. 

Parmi ces alternatives, la photonique montre un potentiel particulier pour les applications d’IA. En exploitant la puissance de la lumière, l’extraction de caractéristiques, étape cruciale de l’apprentissage automatique, peut être grandement accélérée.

L’extraction de caractéristiques est le processus de transformation des données brutes en un ensemble simplifié de caractéristiques numériques qui représentent mieux le problème sous‑jacent pour les modèles d’apprentissage automatique (ML). Cette technique réduit la complexité des données afin d’extraire les informations les plus pertinentes, améliorant ainsi les performances et l’efficacité des algorithmes ML.

Bien que la lumière puisse accélérer l’extraction de caractéristiques, maintenir une lumière stable et cohérente pour des calculs optiques rapides est extrêmement difficile. 

Pour relever ce défi, des chercheurs de l’Université Tsinghua ont développé un moteur d’extraction de caractéristiques optiques de deuxième génération (OFE2) capable d’effectuer l’extraction optique de caractéristiques pour de nombreuses applications pratiques. Le système intégré sur puce utilise des séparateurs de puissance réglables et des lignes de retard précises pour fournir des signaux optiques parallèles et stables.

Le système désérialise le flux de données entrant en échantillonnant le signal d’entrée en plusieurs ondes lumineuses synchronisées, ce qui permet un traitement parallèle en temps réel.

Ces ondes lumineuses traversent ensuite l’opérateur de diffraction, une structure microscopique en forme de plaque qui effectue des calculs au fur et à mesure que la lumière la traverse. Cette opération reproduit la multiplication matrice‑vecteur, une opération fondamentale de l’IA utilisée pour transformer et traiter les données.

La façon dont la lumière diffractée crée un « point lumineux » focalisé à la sortie est fondamentale pour cette opération, car elle peut être partiellement déviée vers un port de sortie particulier en ajustant la phase des lumières d’entrée parallèles. C’est ce déplacement de puissance en sortie, avec les changements correspondants, qui permet à leur moteur, alias OFE2, de capturer les caractéristiques des variations du signal d’entrée au fil du temps.

OFE2 fonctionne à un débit de 12,5 GHz, un record en calcul optique, et peut réaliser une multiplication matrice‑vecteur unique en 250,5 ps, ce qui constitue la latence la plus basse parmi les implémentations similaires du calcul optique.

« Nous croyons fermement que ce travail constitue une référence importante pour faire progresser le calcul optique intégré par diffraction afin de dépasser un débit de 10 GHz dans des applications réelles. »

– Professeur Hongwei Chen, qui, avec son équipe à l’Université Tsinghua, a mené cette recherche

L’équipe a démontré les fortes capacités de leur système à travers différentes tâches.

Lorsqu’il a été testé pour une tâche de trading numérique, OFE2 a obtenu des résultats impressionnants. Un trader injecte des signaux de prix en temps réel dans OFE2, et le moteur configuré de manière optimale génère des signaux de sortie qui sont directement traduits en décisions d’achat ou de vente afin d’atteindre une rentabilité stable avec un délai minimal, le système fonctionnant à la vitesse de la lumière.

L’équipe a également utilisé OFE2 pour traiter des images, où le moteur a extrait les caractéristiques de bord des images d’entrée et créé deux cartes de caractéristiques complémentaires rappelant des effets de relief et de gravure. Les caractéristiques optiques produites par OFE2 ont beaucoup mieux performé dans la classification d’images et ont amélioré la précision des pixels en segmentation sémantique, comme l’identification d’organes dans les scans de tomodensitométrie (CT).

Plus important encore, lorsque les systèmes d’IA utilisent OFE2, ils nécessitent moins de paramètres électroniques, démontrant le potentiel du pré‑traitement optique pour permettre des systèmes d’IA hybrides plus légers, plus efficaces et moins coûteux. Le travail difficile est effectué par le pré‑traitement optique, tandis que les modèles d’IA peuvent se concentrer sur l’apprentissage et l’interprétation.

Ces résultats suggèrent que les charges computationnelles les plus intenses peuvent être déplacées de l’électronique vers la photonique, ouvrant la voie à un avenir de modèles d’IA en temps réel.

Selon les chercheurs, leur dispositif peut traiter d’énormes flux de données avec très peu de perte d’énergie tout en maintenant une bonne intégrité du signal même sous charge.

« Les avancées présentées dans notre étude poussent les opérateurs de diffraction intégrés à un débit plus élevé, offrant un soutien aux services intensifs en calcul dans des domaines tels que la reconnaissance d’images, les soins de santé assistés et la finance numérique », a déclaré Chen. « Nous sommes impatients de collaborer avec des partenaires qui ont des besoins computationnels intensifs en données. »

Cliquez ici pour découvrir comment le calcul à la vitesse de la lumière devient possible avec la photonique au silicium.

La course mondiale pour réinventer le calcul avec la photonique 

Glissez pour faire défiler →

Les avancées de Tsinghua s’inscrivent dans un mouvement mondial plus vaste. Des scientifiques du monde entier s’affairent à surmonter les goulets d’étranglement électroniques en se tournant vers la lumière.

Plus tôt cette année, une autre équipe de Chine a dévoilé son puce, qui utilise la lumière pour synchroniser les processeurs et pourrait débloquer les communications de prochaine génération ainsi que le calcul IA à haute vitesse.

Les puces traditionnelles génèrent des signaux d’horloge à l’aide d’oscillateurs électroniques, et elles fonctionnent souvent uniquement à une vitesse d’horloge principale, ce qui signifie que différentes applications ont besoin de différentes technologies de fabrication de puces. La nouvelle puce conçue par le groupe international de scientifiques dirigé par l’Université de Pékin en Chine utilise « la lumière comme support pour générer des signaux d’horloge via des photons ».

Ils ont développé un « microcomb sur puce » capable de synthétiser des signaux à fréquence unique et à large bande et de fournir des horloges de référence pour les électroniques du système.

« En construisant un anneau qui ressemble à un circuit de course sur la puce, la lumière peut « courir » continuellement à la vitesse de la lumière. Le temps de chaque tour est alors utilisé comme référence pour l’horloge sur puce, a déclaré l’auteur principal Chang Lin, qui est professeur assistant à l’Institut de technologie de l’information et de la communication de l’Université de Pékin. « Parce qu’un tour ne dure que quelques milliardièmes de seconde, l’horloge peut réguler le temps à une vitesse ultra‑élevée. »

Équipées de la nouvelle technologie, les puces peuvent couvrir divers bandes de fréquences micro‑ondes.

L’équipe a atteint une vitesse d’horloge de plus de 100 GHz et a déclaré qu’elle pouvait produire des milliers de puces identiques sur des wafers de 8 pouces tout en résolvant les problèmes de stabilité et en optimisant les processus d’emballage.

Une autre équipe internationale de chercheurs a essayé d’aborder les limites de la loi de Moore² via la photonique, mais ils ont utilisé un matériau magnéto‑optique. Le matériau est du grenat de fer yttrium substitué au cérium (YIG), dont les propriétés optiques changent dynamiquement en réponse à des champs magnétiques externes. 

En utilisant de minuscules aimants pour stocker des données et contrôler le transfert de lumière dans le matériau, les chercheurs ont créé un nouveau type de mémoire magnéto‑optique.

Cette nouvelle classe de mémoire, selon l’étude, possède des vitesses de commutation 100 fois plus rapides que celles des technologies photoniques intégrées avancées, consomme environ un dixième de l’énergie et peut être reprogrammée plus de 2,3 milliards de fois, ce qui signifie potentiellement une durée de vie illimitée.

Pendant ce temps, aux États‑Unis, des scientifiques du MIT ont démontré³ un processeur photonique capable d’effectuer toutes les calculs IA opticalement sur la puce. Leur dispositif optique a réellement complété les calculs clés d’une tâche de classification ML en moins d’un demi‑nanoseconde avec une précision de 92 %.

Dans leurs travaux, les scientifiques ont conçu des unités de fonction optique non linéaire (NOFUs) pour relever le défi de la non‑linéarité en optique, qui est due au fait que les photons n’interagissent pas facilement entre eux, rendant ainsi l’activation des non‑linéarités optiques très énergivore. Les NOFUs combinent optique et électronique pour intégrer des opérations non linéaires sur la puce.

Alors que les universités démontrent leurs puces optiques de preuve de concept, les grandes entreprises technologiques ne sont pas loin derrière ; elles explorent activement comment ces principes peuvent rendre les systèmes IA commerciaux plus rapides et plus verts.

Des chercheurs de Microsoft ont détaillé un ordinateur basé sur la lumière⁴, qui utilise des capteurs de caméra et des micro‑LEDs, pour rendre l’IA cent fois plus efficace. Le prototype d’ordinateur optique analogique (AOC) du géant technologique calcule un problème nombreux fois, et à chaque fois, il s’améliore jusqu’à ce qu’un « état stable » soit atteint.

« L’aspect le plus important que l’AOC offre est que nous estimons une amélioration d’environ cent fois de l’efficacité énergétique, » a déclaré le co‑auteur de l’étude Jannes Gladrow, chercheur IA chez Microsoft, dans le billet de blog de l’entreprise. « Cela seul est inédit dans le matériel. »

En même temps, l’équipe a programmé un « jumeau numérique », un modèle qui imite les calculs de l’AOC physique et peut être mis à l’échelle pour gérer davantage de variables et des calculs encore plus complexes. Le modèle permet à l’équipe de « travailler sur des problèmes plus grands que l’instrument lui‑même ne peut actuellement traiter », a noté Michael Hansen, directeur principal du traitement du signal biomédical chez Microsoft Health Futures.

L’ordinateur peut déjà gérer certaines tâches comme la reconstruction d’images IRM, l’appariement de transactions financières et une simple inférence IA.

Pour tester l’AOC, l’équipe lui a d’abord donné la tâche simple de classer des images, et l’AOC physique a fonctionné à peu près au même niveau qu’un ordinateur numérique. Son jumeau numérique a ensuite été utilisé pour reconstruire une image d’un scan cérébral en n’utilisant que 62,5 % des données originales, et il l’a fait avec précision. Cette réussite, selon les scientifiques, pourrait conduire à des temps d’IRM plus courts.

L’AOC a également été utilisé pour résoudre des problèmes financiers, avec lesquels il a eu un taux de réussite supérieur à celui des ordinateurs quantiques actuels.

Dans une interview avec IBM, Francesca Parmigiani, chercheuse principale chez Microsoft Research Cambridge, a déclaré que leur système possède une « double capacité de domaine », ce qui signifie qu’il peut exécuter deux types de tâches en utilisant le même matériel. Cela est réalisé en s’appuyant sur la recherche de points fixes, qui relie la manière dont les deux problèmes sont résolus.

« Ce qui m’enthousiasme le plus, c’est que nous pouvons déjà exécuter des charges de travail à la fois en IA et en optimisation sur le même matériel, » a‑t‑elle déclaré. « Nous sommes encore à petite échelle, mais c’est une première étape importante. »

IBM elle‑même utilise les photons, non pour faire des calculs, mais pour déplacer l’information plus rapidement. « Nous utilisons la lumière pour envoyer des données à très haute densité pour les applications IA, » a déclaré Jean Benoît Héroux, scientifique de recherche chez IBM Research. Ils développent des liaisons photoniques qui transfèrent des données entre puces, mémoire et cartes.

Investir dans le calcul photonique 

Alors que l’élan du calcul photonique attire l’attention des grands acteurs technologiques face à la demande de calcul IA plus rapide, le chouchou de l’IA NVIDIA (NVDA ) explore également des moyens d’intégrer des interconnexions photoniques et des réseaux optiques afin de pousser son matériel encore plus loin.

Alors que NVIDIA mène la révolution IA propulsée par les GPU, l’entreprise recherche la transmission de données optiques pour surmonter les goulets d’étranglement de bande passante qui limitent les architectures de puces traditionnelles.

Plus tôt cette année, la société a lancé des commutateurs photoniques avec optiques co‑emballées (CPO) pour offrir une résilience réseau 10× supérieure, 3,5× meilleure efficacité énergétique et 1,3× un temps de déploiement plus rapide par rapport aux réseaux traditionnels.

En ce qui concerne la performance boursière du fabricant de puces, cette semaine, elle est devenue la première entreprise à atteindre 5 000 milliards de dollars de valeur marchande alors que son cours d’action a dépassé 212 $ pour atteindre un nouveau record historique (ATH). Actuellement cotée à 207 $, les actions NVIDIA ont progressé de plus de 54 % depuis le début de l’année.

Elle affiche un BPA (TTM) de 3,51 et un PER (TTM) de 58,93. Un rendement du dividende de 0,02 % est versé aux actionnaires de Nvidia.  

En ce qui concerne la situation financière de Nvidia, la société a annoncé un chiffre d’affaires de 46,7 milliards de dollars pour le deuxième trimestre de l’exercice 2026. Bien que le chiffre d’affaires total ait augmenté de 6 % par rapport au trimestre précédent, le chiffre d’affaires du centre de données de Nvidia a augmenté de 5 % pour atteindre 41,1 milliards de dollars, les revenus du centre de données Blackwell ayant bondi de 17 % d’un trimestre à l’autre.

Conclusion

Alors que la frénésie IA se répand dans le monde entier, chercheurs et entreprises travaillent à remplacer les électrons par des photons pour débloquer un nouveau monde de vitesse, d’évolutivité et d’efficacité énergétique. Dans cette tentative de redéfinir l’infrastructure IA, la récente percée du moteur optique de l’Université Tsinghua montre que les systèmes basés sur la lumière peuvent rivaliser ou même dépasser leurs homologues électroniques dans des tâches spécifiques.

Mais le calcul photonique est encore en phase de test. Une fois que le calcul photonique mûrira et deviendra rentable, il pourra annoncer une ère où le calcul se déplace à la vitesse de la lumière.

Cliquez ici pour découvrir comment une puce alimentée par la lumière booste l’IA de 100 fois.

Références

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Moteur d’extraction de caractéristiques optiques à haute vitesse et à faible latence basé sur des opérateurs de diffraction. Advanced Photonics Nexus, 4(5), 056012. https://doi.org/10.1117/1.APN.4.5.056012
2. Pintus, P., Dumont, M., Shah, V., Murai, T., Shoji, Y., Huang, D., Moody, G., Bowers, J. E., Youngblood, N., et al. (2025). Photonique intégrée non réciproque magnétique avec une endurance ultra‑élevée pour le calcul en mémoire photonique. Nature Photonics, 19, 54–62. https://doi.org/10.1038/s41566-024-01549-1
3. Bandyopadhyay, S., Sludds, A., Krastanov, S., Hamerly, R., Harris, N., Bunandar, D., Streshinsky, M., Hochberg, M., & Englund, D. (2024). Réseau de neurones profond photoniques sur puce unique avec entraînement uniquement en avant. Nature Photonics, 18, 1335-1343. https://doi.org/10.1038/s41566-024-01567-z
4. Kalinin, K. P., Gladrow, J., Chu, J., Clegg, J. H., Cletheroe, D., Kelly, D. J., Rahmani, B., Brennan, G., Canakci, B., Falck, F., Hansen, M., Kleewein, J., Kremer, H., O’Shea, G., Pickup, L., Rajmohan, S., Rowstron, A., Ruhle, V., Braine, L., Khedekar, S., Berloff, N. G., Gkantsidis, C., Parmigiani, F., & Ballani, H. (2025). Ordinateur optique analogique pour l’inférence IA et l’optimisation combinatoire. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}