Un réseau neuronal plasmonique de surface programmable pour détecter et traiter les micro-ondes
Cellule SSPP programmable, supercellule et SPNN partiellement connecté. a, Une seule cellule SSPP programmable est construite en intégrant les varactors, les détecteurs et l’amplificateur via l’interconnexion SSPP avec quatre ports d’entrée et un port de sortie. Le varactor est contrôlé par la tension de polarisation appliquée pour constituer un diviseur de puissance à rapport accordable, où les signaux d’entrée sont mélangés avec les facteurs de pondération personnalisés. Les détecteurs mesurent l’intensité du signal de sortie, qui est transformé et renvoyé à l’amplificateur de puissance, mettant en œuvre une fonction d’activation programmable. Le panneau illustre les cellules programmables de sortie avec des détecteurs et des amplificateurs de puissance, tandis que les détecteurs et les amplificateurs sont omis des cellules d’entrée programmables. b, Une supercellule programmable composée de huit cellules programmables (quatre entrées et quatre sorties) pouvant réaliser une multiplication matricielle 4 × 4. c, Un SPNN partiellement connecté avec 16 entrées et 12 sorties pour effectuer la tâche de classification sur l’ensemble de données MNIST. Par rapport à un homologue entièrement connecté, le SPNN partiellement connecté réduit la complexité du routage entre les couches cellulaires sans dégradation des performances. Crédit : Gao et al
Les outils d’IA basés sur les réseaux de neurones artificiels (ANN) sont introduits dans un nombre croissant de contextes, aidant les humains à résoudre de nombreux problèmes plus rapidement et plus efficacement. Alors que la plupart de ces algorithmes fonctionnent sur des appareils numériques et des ordinateurs conventionnels, les ingénieurs en électronique ont exploré le potentiel de les exécuter sur des plates-formes alternatives, telles que des appareils optiques diffractifs.
Une équipe de recherche dirigée par le professeur Tie Jun Cui de l’Université du Sud-Est en Chine a récemment développé un nouveau réseau de neurones programmable basé sur un soi-disant polariton de plasmon de surface (SSPP), qui est une onde électromagnétique de surface qui se propage le long d’interfaces planes. Cette nouvelle architecture de réseau de neurones plasmoniques de surface (SPNN), présentée dans un article de Électronique naturellepeut détecter et traiter les micro-ondes, ce qui pourrait être utile pour la communication sans fil et d’autres applications technologiques.
« Dans la recherche sur le matériel numérique pour la mise en œuvre de réseaux de neurones artificiels, les réseaux de neurones optiques et les réseaux de neurones profonds diffractifs sont récemment apparus comme des solutions prometteuses », a déclaré Qian Ma, l’un des chercheurs qui a mené l’étude, à Tech Xplore. « Des recherches antérieures axées sur les réseaux de neurones optiques ont montré que la programmabilité simultanée de haut niveau et le calcul non linéaire peuvent être difficiles à réaliser. Par conséquent, ces dispositifs ONN ont généralement été limités à des tâches spécifiques sans programmabilité, ou uniquement appliqués à des tâches de reconnaissance simples (c.-à-d., linéaire problèmes). »
L’objectif principal des travaux récents de ces chercheurs était d’améliorer encore les performances des réseaux de neurones sur des problèmes non linéaires complexes, tout en les rendant également adaptés à une grande variété d’applications. SPNN, leur architecture proposée, peut être programmée pour différentes configurations de poids, ce qui signifie qu’elle devrait théoriquement bien se généraliser à différentes tâches.
L’équipe de recherche dirigée par le professeur Cui développe depuis plusieurs années des dispositifs plasmoniques de surface programmables et explore leur utilisation pour la régulation électromagnétique. Inspirés par leurs découvertes précédentes, ils ont donc entrepris de développer un réseau de neurones avec des poids programmables et des fonctions d’activation basés sur l’un de ces dispositifs plasmoniques. En principe, l’architecture qu’ils ont proposée pourrait atteindre des vitesses de traitement remarquables, approchant la vitesse de la lumière.
« Le SPNN a été créé couche par couche, où chaque couche se compose de plusieurs supercellules SSPP programmables », a expliqué Ma. « Chaque supercellule avec un réseau entièrement connecté à quatre entrées et quatre sorties est composée de huit cellules SSPP programmables. Nous concevons une structure composite tridimensionnelle, qui réalise intelligemment les caractéristiques de la connexion complète. »
Mécanisme de décodage dans un système de communication sans fil utilisant la supercellule SSPP. a, Photographie du système de communication, dans lequel un logo de l’Université du Sud-Est a été transmis et reçu par le SPNN. b, le mappage de code d’entrée entre les symboles à deux bits et les signaux de canal dans le processus de codage de la supercellule SSPP. c, les modèles de champ proche entre le réseau d’antennes d’émission et le réseau d’antennes de réception dans quatre circonstances de codage. au, unités arbitraires. d, le mappage de code de sortie entre les symboles à deux bits et les signaux de canal dans le processus de décodage de la supercellule SSPP. Grâce au processus de décodage mis en œuvre par la supercellule SSPP dans le domaine électromagnétique, la cartographie du code d’origine est convertie en une cartographie injective simplifiée. Crédit : Gao et al
Chacune des supercellules programmables que les chercheurs ont utilisées pour créer leur plateforme est composée d’un diviseur de puissance SSPP et d’un coupleur. Cette conception unique lui permet de manipuler de manière robuste les ondes électromagnétiques, puis de les utiliser pour réaliser des réseaux de neurones plasmoniques.
« Les paramètres de poids des réseaux de neurones sont ajustés en modifiant les tensions des varactors se chargeant sur les coupleurs », a déclaré Ma. « Plus important encore, la fonction d’activation peut être personnalisée en détectant l’intensité d’entrée à l’aide de détecteurs et en renvoyant le seuil à un amplificateur. Le SPNN peut effectuer une tâche de classification d’images et peut également être utilisé pour créer un système de communication sans fil pour décoder et récupérer des images. . »
Les caractéristiques les plus remarquables de l’architecture SPNN de l’équipe sont ses poids programmables et ses fonctions d’activation, ce qui pourrait faciliter son application à un large éventail de tâches. Certains travaux antérieurs ont réalisé des réseaux de neurones programmables à l’aide de matériaux à changement de phase, mais cette approche s’est avérée aboutir à des plages dynamiques limitées.
« Bien que les réseaux de neurones profonds diffractifs puissent moduler et traiter de manière flexible les ondes électromagnétiques, leur manque de fonctions d’activation non linéaires limite également leur capacité à gérer des problèmes plus complexes tels que les opérations logiques ou exclusif (XOR) », a déclaré Ma.
« Notre SPNN programmable proposé basé sur des dispositifs plasmoniques de surface numériques peut apporter de nouvelles idées dans ce domaine. Les dispositifs SSPP programmables peuvent contrôler les ondes électromagnétiques avec une architecture simple, à faible coût et à haut rendement, ce qui est un potentiel pour la construction de réseaux de neurones programmables. De plus, nous pouvons utiliser un système de rétroaction en boucle fermée entre les ports de détection et les circuits de polarisation de l’amplificateur pour réaliser des fonctions d’activation programmables. »
À l’avenir, le SPNN développé par cette équipe de chercheurs pourrait être utilisé pour détecter et traiter les micro-ondes à grande échelle, ouvrant ainsi potentiellement de nouvelles possibilités pour les communications sans fil 5G et 6G. Contrairement à certaines des solutions basées sur l’ANN pour la détection des micro-ondes introduites dans le passé, le SPNN peut moduler directement les ondes électromagnétiques à des vitesses proches de la vitesse de la lumière.
Dans leur article, le professeur Cui, Ma et leurs collègues ont montré que la même architecture fonctionne également bien sur d’autres tâches, par exemple la classification de chiffres manuscrits avec des niveaux de précision élevés. Dans leurs prochains travaux, ils prévoient d’évaluer SPNN sur d’autres tâches, tout en augmentant sa complexité afin qu’il puisse s’attaquer à des problèmes plus avancés.
« Le prototype mis en œuvre dans ce travail est basé sur un réseau entièrement neuronal 4 × 4, ce qui est relativement faible », a ajouté Ma. « La structure SPNN ressemble à un système de circuit, ce qui signifie que l’échelle des couches SPNN pourrait être agrandie sans augmenter l’empreinte de l’appareil. Par exemple, une forme structurelle cubique pourrait être créée pour réduire la taille physique du système partiellement connecté, réalisant utilité spatiale ultra-élevée dans l’espace tridimensionnel. De plus, nous pouvons également réduire la taille du réseau en améliorant la bande de fréquences de fonctionnement.
