Combiner les réseaux de neurones photoniques avec une détection acoustique distribuée pour la surveillance des infrastructures

Les systèmes de détection acoustique distribuée (DAS) représentent une technologie de pointe dans la surveillance des infrastructures, capable de détecter les vibrations infimes le long des câbles à fibre optique couvrant des dizaines de kilomètres. Ces systèmes se sont révélés inestimables pour les applications allant de la détection des tremblements de terre et de l’exploration pétrolière à la surveillance des chemins de fer et à la surveillance des câbles sous-marins.

Cependant, les quantités massives de données générées par ces systèmes créent un goulot d’étranglement important dans la vitesse de traitement, limitant leur efficacité pour les applications en temps réel où les réponses immédiates sont cruciales.

Les techniques d’apprentissage automatique, en particulier les réseaux de neurones, sont devenues une solution prometteuse pour traiter plus efficacement les données DAS. Bien que les capacités de traitement de l’informatique électronique traditionnelle utilisant des CPU et des GPU se soient massivement améliorées au cours des dernières décennies, elles sont toujours confrontées à des limites fondamentales de vitesse et d’efficacité énergétique. En revanche, les réseaux de neurones photoniques, qui utilisent la lumière au lieu de l’électricité pour les calculs, offrent une alternative révolutionnaire, réalisant potentiellement des vitesses de traitement beaucoup plus élevées à une fraction de la puissance.

Malheureusement, l’intégration de ces systèmes informatiques optiques aux technologies DAS a présenté des défis techniques importants, en particulier pour gérer les structures de données complexes et assurer un traitement précis du signal.

Dans ce contexte, des chercheurs de l’Université de Nanjing, en Chine, dirigés par Ningmu Zou, ont travaillé sur une approche innovante pour surmonter ces obstacles majeurs. Leur rapport, publié dans Photonique avancéeexplore l’application de leur nouvel accélérateur de réseaux de réseau de neurones multiplexés sur longueur d’onde temporelle (TWM-PNNA) pour traiter les données des systèmes DAS.

Selon les mots du Dr Zou, « ce travail révolutionnaire représente la première intégration réussie des réseaux de neurones photoniques avec des systèmes DAS qui peuvent gérer le traitement des données en temps réel. »

Les chercheurs ont développé une architecture système qui transforme les opérations traditionnelles de réseau neuronal électronique en processus optiques. Leur approche utilise plusieurs lasers accordables émettant de la lumière à différentes longueurs d’onde pour représenter les noyaux de convolution du réseau neuronal – les filtres mathématiques qui extraient les fonctionnalités des données d’entrée.

Pour que cela fonctionne, ils ont d’abord dû convertir des données bidimensionnelles des systèmes DAS en vecteurs unidimensionnels qui pourraient être codés sur des signaux optiques en utilisant le modulateur Mach-Zehnder bien établi. L’équipe a utilisé un commutateur sélectif de longueur d’onde pour attribuer des poids spécifiques à différents canaux de longueur d’onde, mettant efficacement les opérations de convolution à l’aide de signaux légers plutôt que de calculs électroniques.

Les chercheurs se sont également concentrés sur deux défis techniques majeurs: atténuer les effets du CHIRP de modulation (variations de fréquence) sur les convolutions optiques et le développement de méthodes fiables pour réaliser des opérations optiques complètes. Grâce à des expériences détaillées, ils ont constaté que le rapport du décalage de longueur d’onde causée par le CHIRP de modulation à l’espacement de la longueur d’onde entre les canaux laser adjacents est une métrique clé pour évaluer l’impact des performances.

Plus précisément, lorsque ce rapport dépasse 0,1, la précision de reconnaissance est significativement affectée. En mettant en œuvre une technique connue sous le nom de modulation push-pull ou en réduisant ce ratio, les chercheurs pourraient atténuer considérablement l’impact du CHIRP et atteindre une précision de classification supérieure à 90%, approchant les 98,3% réalisés par les systèmes électriques conventionnels.

De plus, les chercheurs ont découvert que le système maintenait sa précision de classification supérieure à 90%, car au moins 60% des paramètres de connexion complets ont été conservés après l’élagage. Cette découverte ouvre la porte à réduire davantage la taille du modèle et la charge de calcul sans sacrifier les performances, ce qui rend ces systèmes optiques moins coûteux et plus simples à produire.

Le système TWM-PNNA proposé a démontré des capacités de calcul impressionnantes, effectuant 1,6 billion d’opérations par seconde (sommet) avec une efficacité énergétique de 0,87 sommet par watt. Théoriquement, le système pourrait atteindre des vitesses de 81 sommets avec une efficacité énergétique de 21,02 sommets par watt, surperformant des GPU électriques comparables par ordre de grandeur.

Dans l’ensemble, TWM-PNNA fournit un nouveau cadre de calcul pour les systèmes DAS, ouvrant la voie à la fusion tout optique de DAS avec des systèmes de calcul à grande vitesse. Cette recherche représente une étape importante vers la technologie de surveillance des infrastructures de nouvelle génération, capable de traiter des quantités massives de données de capteurs en temps réel. Avec un peu de chance, le déverrouillage de la véritable puissance du DAS pourrait transformer les applications dans la protection critique des infrastructures, la surveillance sismique et la sécurité des transports.