Les hologrammes sont souvent affichés dans la science-fiction sous forme de projections colorées et grandeur nature. Mais ce qui semble être la technologie du futur, c'est en fait la technologie du présent, et maintenant, elle a été utilisée pour recréer la Joconde.
La capacité de présenter des scènes tridimensionnelles (3D) avec une sensation de profondeur continue avec un impact profond sur la réalité virtuelle et augmentée, l’interaction humaine, l’informatique, l’éducation, la formation, la santé…
Des chercheurs ont développé une technique d’holographie basée sur la métasurface acoustique qui utilise un algorithme d’apprentissage en profondeur pour générer et améliorer littéralement un hologramme de la Joconde. Les hologrammes sont des images créées en enregistrant et en reconstruisant le modèle d’interférence de la lumière ou des ondes sonores. Ils offrent des expériences visuelles ou auditives réalistes et immersives et peuvent être appliqués dans le divertissement, l’imagerie médicale et la communication, entre autre, et peut-être un jour apparaîtront-ils sur nos smartphones et dans nos maisons comme l’ont été les téléphones !
Les métasurfaces, ou matériaux bidimensionnels, sont constitués d’un réseau de minuscules composants de type antenne qui peuvent beaucoup aider le processus d’holographie. En conséquence, les ondes sortantes de chaque pixel présentent une certaine amplitude et phase, ce qui donne l’image holographique souhaitée en fonction de leur interférence. L’équipe a souhaité développer une méthode d’optimisation de l’holographie métasurface pour améliorer l’efficacité et la précision. Ils ont utilisé un algorithme basé sur un réseau neuronal profond pour personnaliser les structures de type antenne dans leur métasurface. En réduisant de manière itérative les incohérences entre l’image originale et l’image holographique, ils ont peaufiné la métasurface et créé un hologramme de haute qualité.
Ils ont choisi de recréer la Joconde comme proof of concept notamment parce que la toile est si célèbre que presque tout le monde le connaît. Elle est remplie d’innombrables transitions délicates et subtiles de couches, ce qui améliore la douceur, le flou et le mystère de la peinture. C’est donc un excellent moyen de démontrer l’efficacité de cette méthode. La méthode holographique a reconstruit avec succès la Joconde avec plus de détail comme son œil gauche. Bien que l’hologramme de Mona Lisa soit en deux dimensions, la technique peut également être étendue pour créer des images en trois dimensions.
Les usages sont nombreux, car le contrôle précis des ondes sonores offert par cette méthode d’holographie est crucial pour faire par exemple avancer les thérapies médicales non invasives.
Puissance de calcul Vs Énergie
La conception d’un hologramme à l’aide de deep learning ne consomme pas directement d’énergie, car le deep learning est un ensemble de techniques utilisées pour entraîner des modèles d’apprentissage automatique à partir de données. Il nécessite cependant des ressources informatiques importantes pour l’entraînement des modèles. L’entraînement des modèles peut être intensif en termes de puissance de calcul et de mémoire. Il est souvent nécessaire d’utiliser des clusters de serveurs puissants ou des cartes graphiques spécialisées, qui peuvent consommer une quantité significative d’énergie électrique.
Une fois que le modèle est entraîné, la phase d’utilisation pour générer des hologrammes individuels n’est pas aussi gourmande en ressources. La génération d’un hologramme à partir d’un modèle pré-entraîné n’exige généralement pas autant de puissance de calcul que l’entraînement initial. Si demain la technologie arrive sur nos smartphones, la puissance de celui-ci permettra de générer cet hologramme. Il convient quand même de mentionner que la consommation d’énergie dépendra de la complexité de l’hologramme, de la résolution souhaitée, de la taille de l’ensemble de données utilisé pour l’entraînement et des ressources matérielles disponibles. Des avancées sont régulièrement faites dans le domaine de l’efficacité énergétique des modèles de deep learning, ce qui peut réduire la consommation d’énergie nécessaire à l’entraînement et à l’utilisation des modèles.