Utiliser les couleurs de la lumière pour rendre le calcul optique plus flexible

Les systèmes de calcul optique utilisent la propagation de la lumière pour traiter l’information rapidement et en parallèle. Cependant, la plupart des architectures actuelles reposent sur une seule longueur d’onde, ce qui les limite à une transformation optique fixe pour une configuration donnée. Dans cette étude, nous surmontons cette limitation en exploitant la dépendance en longueur d’onde de la réponse des milieux diffusants complexes. En utilisant différentes longueurs d’onde, un même système optique peut effectuer des transformations distinctes de l’information d’entrée, générant ainsi des représentations optiques indépendantes sans nécessiter de modification physique du dispositif. Nous montrons que la combinaison de ces différents canaux spectraux permet d’améliorer les performances de classification tout en fournissant une estimation directe de l’incertitude des prédictions. Cette approche ouvre une nouvelle voie vers des accélérateurs optiques plus polyvalents pour l’intelligence artificielle.

Le développement rapide de l’intelligence artificielle s’accompagne d’une demande croissante en puissance de calcul et en énergie. Les architectures électroniques conventionnelles sont confrontées à des défis de plus en plus importants liés au transfert de données, à la consommation énergétique et à la génération de chaleur. Le calcul optique constitue une alternative prometteuse en exploitant la capacité de la lumière à effectuer naturellement et en parallèle des opérations complexes, ce qui pourrait réduire les temps de traitement et la consommation d’énergie.

L’une des approches est le calcul optique en espace libre, dans lequel l’information est encodée sur un faisceau lumineux, puis transformée au cours de sa propagation dans un système optique. Par exemple, lorsqu’un faisceau lumineux portant une image d’entrée traverse un milieu diffusant, tel qu’un diffuseur, les différentes composantes spatiales du champ optique se mélangent, produisant un motif complexe de points clairs et sombres, appelé motif de speckle. Les intensités lumineuses enregistrées par une caméra constituent des caractéristiques optiques de grande dimension, fournissant une représentation transformée de l’image d’origine qui peut être utilisée par un classificateur numérique. Comme ces transformations complexes s’effectuent directement lors de la propagation de la lumière, elles peuvent être réalisées en parallèle sans nécessiter de calculs électroniques équivalents, ce qui pourrait réduire la charge de calcul des processeurs conventionnels.         

État de l’art avant ces travaux   
De nombreux systèmes de calcul optique reposant sur des milieux complexes utilisaient jusqu’à présent principalement un éclairage monochromatique et une configuration optique fixe, ce qui signifie que les composants optiques et leur disposition restent inchangés. Bien que ces systèmes puissent générer un grand nombre de caractéristiques spatiales, correspondant aux intensités lumineuses mesurées à différents pixels de la caméra, leur capacité à ajuster ou à diversifier la transformation optique reste limitée.

Principaux résultats       
Dans ce travail, nous exploitons la dépendance en longueur d’onde de la réponse des milieux diffusants. Une même donnée d’entrée produit ainsi différents motifs de speckle lorsqu’elle est éclairée à différentes longueurs d’onde. Ces motifs dépendants de la longueur d’onde peuvent être considérés comme des représentations optiques indépendantes d’une même information.          
Nous avons étudié deux approches complémentaires permettant d’exploiter cette diversité spectrale.
Dans la première approche, appelée apprentissage en ensemble spectral (spectral ensemble learning), chaque longueur d’onde produit une transformation optique différente et une prédiction indépendante. Les prédictions obtenues à plusieurs longueurs d’onde sont ensuite combinées par vote majoritaire : haque longueur d’onde apporte une voix pour une catégorie, et celle qui recueille le plus de voix devient la prédiction finale. Dans une tâche de classification d’images rétiniennes, la combinaison de neuf longueurs d’onde a permis d’augmenter la précision de classification de 50,14 % à 55,00 % pour 1 000 caractéristiques.
Un avantage supplémentaire est que le désaccord entre les prédictions obtenues à différentes longueurs d’onde fournit une mesure directe de l’incertitude de la prédiction. Il devient ainsi possible d’évaluer le niveau de confiance sans avoir besoin d’accéder aux probabilités internes calibrées du modèle.
Dans la seconde approche, appelée fusion spectrale des caractéristiques (spectral feature fusion), les caractéristiques optiques générées à différentes longueurs d’onde sont combinées à l’aide de poids optimisés avant la classification. Dans une expérience de classification de textures, la combinaison de neuf longueurs d’onde a permis d’augmenter la précision de 58 % à 70 %, tout en conservant un seul classificateur final.              
Pris ensemble, ces résultats montrent que la longueur d’onde peut constituer un degré de liberté supplémentaire pour le calcul optique, augmentant à la fois la flexibilité et les capacités de calcul du système.

Approche expérimentale            
Les données d’entrée sont d’abord encodées sur un faisceau laser à l’aide d’un modulateur spatial de lumière. Le faisceau traverse ensuite un diffuseur optique, qui transforme l’information d’entrée en un motif de speckle enregistré par une caméra.              
L’expérience est répétée pour des longueurs d’onde comprises entre 785 et 825 nm, avec un pas de 5 nm. Comme le diffuseur répond différemment à chaque longueur d’onde, chacune d’elles génère une représentation optique distincte de la même donnée d’entrée.  
Les caractéristiques obtenues à plusieurs longueurs d’onde sont ensuite traitées de deux manières possibles : soit des classificateurs indépendants sont utilisés pour chaque longueur d’onde, suivis d’un vote majoritaire, soit les caractéristiques provenant de plusieurs longueurs d’onde sont combinées à l’aide de poids optimisés avant qu’un seul classificateur ne fournisse la prédiction finale.  

Laboratoires et institutions impliqués

Ces travaux ont impliqué des chercheurs du : Laboratoire Kastler Brossel (LKB) — École Normale Supérieure–PSL, Sorbonne Université, CNRS, UMR 8552 et Collège de France ; Department of Computer Science, ETH Zurich ;     et du Department of Electrical Engineering and Computer Science, University of California, Irvine.

L’article a été publié dans Optica, volume 13, numéro 10, le 1er octobre 2026.  

Perspectives
Le prototype expérimental actuel acquiert successivement les différentes longueurs d’onde, mais cette limitation n’est pas fondamentale au concept. Dans de futures implémentations, plusieurs longueurs d’onde pourraient être transmises et traitées simultanément à l’aide de technologies de multiplexage en longueur d’onde déjà largement utilisées dans les télécommunications optiques.          
En sortie, les différentes longueurs d’onde pourraient également être séparées et détectées en parallèle, permettant ainsi un traitement optique multi-longueurs d’onde au cours d’une seule acquisition.
Les travaux futurs pourraient également explorer la mesure complète du champ optique, ce qui offrirait une plus grande flexibilité dans la combinaison des caractéristiques optiques, ainsi que l’extension de cette approche à des systèmes optiques non linéaires susceptibles de générer des représentations encore plus riches pour des applications d’apprentissage automatique.   

Crédit : Xue Dong, Kai Lion, Fei Xia, YoonSeok Baek, Ziao Wang, Niao He et Sylvain Gigan, Optica 13, 2056–2065 (2026), DOI : 10.1364/OPTICA.589581.             

Titre de l’article : Optical Computing with Spectrally Multiplexed Features in Complex Media    

Auteurs :    
Xue Dong, Kai Lion, Fei Xia, YoonSeok Baek, Ziao Wang, Niao He et Sylvain Gigan.           
Date de publication : 1er octobre 2026 

Revue : Optica, vol. 13, n° 10     

DOI : 10.1364/OPTICA.589581