L’IA photonique de l’Université Koç déporte le traitement d’images vers la lumière, mais le bilan énergétique reste incertain

Des chercheurs en IA photonique de l’Université Koç ont présenté deux systèmes optiques qui déportent le traitement d’images vers la lumière, tout en s’appuyant sur des composants électroniques autour du cœur optique. L’un a préservé les informations de couleur tout en atteignant une précision de 98 % sur un benchmark d’images dermatologiques. L’autre a utilisé un laser à fibre pour obtenir des précisions comprises entre 85 % et 99 % sur plusieurs jeux de données.

Ces résultats offrent aux chercheurs travaillant sur une IA durable une alternative plus concrète à la simple construction d’accélérateurs électroniques toujours plus grands. Ils ne démontrent toutefois pas que l’un ou l’autre système consomme moins d’énergie totale qu’un déploiement moderne de GPU. Caméras, modulateurs de lumière, lasers, électronique de contrôle et classifieurs numériques font toujours partie du processus.

Cet écart définit le véritable enjeu. L’Université Koç a montré que des systèmes optiques physiques peuvent réaliser des transformations utiles au lieu de simplement transmettre des données. La prochaine confrontation n’oppose pas isolément la lumière à l’électricité. Elle met en concurrence le traitement photonique spécialisé et des systèmes de calcul électronique complets, hautement optimisés.

L’IA photonique de l’Université Koç déplace deux charges de travail vers la lumière

La recherche transfère une étape de traitement importante du logiciel vers du matériel optique physique, mais elle ne remplace pas l’ensemble du pipeline d’IA.

Les travaux rapportés proviennent du professeur assistant Uğur Teğin et d’étudiants de l’Université Koç à Istanbul. Ils réunissent deux études distinctes publiées dans Communications Engineering et Communications Physics.

Le premier système traite des données multicanales, notamment des images en couleur. De nombreuses expériences d’apprentissage automatique optique simplifient leurs entrées en convertissant les images couleur en niveaux de gris. Cela réduit les informations qui traversent le système optique avant le début de la classification.

Teğin et l’étudiante en master Fatma Nur Kılınç ont choisi une autre voie. Leur réseau de neurones photoniques programmable conserve les canaux rouge, vert et bleu, et les traite conjointement.

Un réseau de neurones photoniques est un matériel qui utilise la propagation contrôlée de la lumière pour réaliser des transformations mathématiques associées à l’apprentissage automatique. Il ne reproduit pas nécessairement chaque couche d’un réseau de neurones numérique.

Les chercheurs ont encodé les données sur un dispositif spatial lumineux programmable. La lumière a ensuite traversé un agencement optique qui mélangeait et transformait les canaux. Une caméra a capturé le motif résultant, qui a fourni des caractéristiques à un simple classifieur numérique.

Cette distinction est importante. L’équipement optique effectue l’extraction de caractéristiques, c’est-à-dire qu’il convertit l’entrée brute en une représentation qui sépare plus clairement les catégories. La décision finale reste électronique.

Selon l’étude multicanale, l’architecture apprend également à partir de mesures physiques au lieu de dépendre entièrement d’une simulation idéalisée. Cela l’aide à s’adapter aux défauts d’alignement, aux aberrations optiques, aux variations de fabrication, à la poussière et à la dérive thermique.

Ces imperfections distinguent souvent une simulation photonique convaincante d’un dispositif utilisable. Un modèle optique peut bien fonctionner sur le papier, tandis que sa version physique se comporte différemment. L’optimisation directe du matériel intègre cet écart au processus d’apprentissage.

Sur le jeu de données de lésions cutanées HAM10000, les chercheurs ont rapporté une précision de classification de 98 % après un traitement RGB optimisé. Les résultats détaillés du preprint montrent une base de référence à 67 % avec les pixels bruts, soit une amélioration de 31 points de pourcentage.

Le système a également atteint 90 % sur le benchmark d’images naturelles STL-10 après optimisation du mélange de canaux. Dans la même architecture optique, le traitement RGB a systématiquement dépassé le traitement en niveaux de gris de cinq à six points de pourcentage.

La seconde étude a déplacé une autre opération vers la physique. Teğin, Dilem Eşlik, Kılınç et Bahadır Utku Kesgin ont utilisé un laser à fibre multimode à onde continue comme processeur optique non linéaire.

La non-linéarité permet à un processeur de créer des relations plus complexes qu’une somme pondérée directe. Les réseaux de neurones modernes dépendent de transformations non linéaires pour séparer des motifs que de simples méthodes linéaires ne peuvent distinguer.

Les chercheurs ont encodé les images sous forme de motifs de phase avant de les envoyer dans la cavité laser. Les interférences multimodes et la saturation du gain ont transformé l’entrée en motifs d’intensité stables. Une caméra a enregistré ces motifs pour un classifieur linéaire.

Cette configuration a atteint une précision de 85 % à 99 % sur des benchmarks portant sur les déchets recyclables, la météo, l’imagerie satellitaire, les examens rétiniens et les lésions cutanées. L’article sur le laser à fibre indique qu’elle nécessitait des ordres de grandeur de paramètres entraînables en moins que les réseaux de neurones profonds.

Les deux systèmes s’attaquent donc à des problèmes complémentaires. L’un préserve et optimise plusieurs canaux d’information. L’autre fournit une transformation de caractéristiques non linéaire grâce au comportement d’une cavité laser.

Ensemble, ils montrent que le matériel optique peut faire davantage qu’accélérer une opération matricielle prédéterminée. Il peut façonner l’information de façon à simplifier une tâche de classification en aval.

Pourquoi le matériel d’IA durable doit faire plus que proposer des GPU plus rapides

La pression à l’origine de l’IA photonique vient de l’électricité, de la chaleur et des déplacements de données, et non d’une défaillance soudaine des puces électroniques.

L’infrastructure d’IA reste dominée par les unités de traitement graphique et d’autres accélérateurs électroniques. Ces systèmes sont programmables, pris en charge par des logiciels matures et fabriqués au sein de chaînes d’approvisionnement établies.

Leur faiblesse apparaît lorsque le calcul s’étend à des modèles et des clusters plus vastes. Déplacer des données entre la mémoire, les processeurs et les interfaces réseau consomme de l’énergie. La résistance électrique produit également de la chaleur, ce qui accroît les besoins de refroidissement.

L’Agence internationale de l’énergie estime que les centres de données ont consommé 415 térawattheures d’électricité en 2024. Cela représentait environ 1,5 % de la consommation mondiale d’électricité.

Ses perspectives énergétiques prévoient environ 945 térawattheures d’ici 2030. L’IA constitue le principal moteur de cette croissance, même si d’autres services numériques y contribuent également.

Cette prévision ne signifie pas que l’IA seule consommera la totalité du volume projeté. Elle montre toutefois pourquoi l’efficacité matérielle affecte désormais la planification des réseaux électriques, la construction de centres de données, les coûts d’exploitation et les calendriers de déploiement.

L’AIE estime également qu’un centre de données type axé sur l’IA utilise autant d’électricité que 100 000 foyers. Les plus grandes installations en construction pourraient en utiliser 20 fois plus.

Les contraintes locales peuvent se manifester avant que la consommation mondiale d’électricité ne devienne dominante. Les centres de données se concentrent autour des fibres disponibles, des terrains, des clients et des infrastructures électriques. La construction de nouvelles lignes de transmission nécessite souvent quatre à huit ans dans les économies avancées.

Le traitement photonique cible une partie de cette pression en exploitant le comportement physique de la lumière. Les photons ne possèdent pas de charge électrique ; les déplacer dans une structure optique évite donc certaines pertes résistives présentes dans les circuits électroniques.

La lumière permet aussi le parallélisme selon la longueur d’onde, l’espace, la phase et la polarisation. Un seul chemin optique peut transporter plusieurs canaux d’information sans traiter chacun d’eux selon une séquence identique d’opérations électroniques.

Ces propriétés rendent les données d’image attrayantes pour les premiers systèmes photoniques. Le signal d’origine est déjà optique avant qu’un capteur de caméra ne le convertisse en pixels électroniques. Traiter certaines informations avant, ou à proximité, de cette conversion peut réduire le travail numérique ultérieur.

Les applications possibles comprennent la vision industrielle, l’imagerie médicale, l’inspection industrielle, la télédétection et les systèmes autonomes. Chacune exige des décisions rapides à partir d’entrées visuelles, parfois sous de strictes limites de puissance ou de latence.

Cependant, un parallélisme optique accru ne se traduit pas automatiquement par une facture énergétique globale plus faible. Les lasers nécessitent de l’électricité. Les modulateurs spatiaux de lumière ont besoin de signaux de contrôle. Les caméras doivent capturer les sorties, tandis que le matériel électronique prépare les entrées et interprète les résultats.

Les deux prototypes de l’Université Koç doivent donc être considérés comme des systèmes de déport de charge de travail. Ils transfèrent certaines transformations du logiciel numérique vers la physique optique.

Cette approche rappelle l’histoire plus large des accélérateurs. Les GPU n’ont pas éliminé les processeurs centraux. Ils ont pris en charge les opérations correspondant à leur conception parallèle. Les puces d’IA spécialisées ont ensuite déplacé des calculs matriciels supplémentaires vers du matériel conçu à cette fin.

Les accélérateurs photoniques cherchent une autre répartition du travail. Ils visent à prendre en charge les opérations pour lesquelles la propagation parallèle de la lumière procure un avantage significatif. Les processeurs électroniques conserveraient le contrôle des flux, la gestion de la mémoire, les logiciels généralistes et les tâches exigeant une grande flexibilité numérique.

L’argument de durabilité le plus solide dépendra de l’énergie totale de la charge de travail, et non de la seule efficacité de l’étape optique. Les chercheurs doivent comptabiliser la préparation des données, les conversions, la génération de lumière, la détection, le refroidissement et l’électronique de support.

Un dispositif de laboratoire peut néanmoins avoir son importance avant que ces mesures existent. Il peut identifier les opérations qui se prêtent naturellement à la lumière et les problèmes matériels qui empêchent le déploiement.

C’est là que réside la contribution de l’Université Koç. Ses systèmes élargissent l’ensemble des transformations optiques utiles tout en affrontant de véritables imperfections matérielles. Ils ne tranchent pas encore le débat sur l’énergie des centres de données.

Comment l’IA photonique de l’Université Koç traite réellement les images

Le mécanisme transforme la propagation de la lumière en extraction de caractéristiques, puis confie aux composants électroniques le problème de classification devenu plus simple.

Le système multicanal commence par une image ou une autre entrée multidimensionnelle. Un logiciel projette ces données sur un dispositif optique programmable, qui contrôle la propagation de différentes portions d’un champ lumineux.

Le dispositif préserve les canaux RGB au lieu de les fusionner dans une unique représentation en niveaux de gris. Le système optique peut ainsi exploiter les relations de couleur en plus des formes et des textures.

La lumière traverse plusieurs transformations contrôlées. Les interférences combinent les ondes selon leurs amplitudes et leurs phases, produisant un motif de sortie qui reflète simultanément de nombreuses relations d’entrée.

Une caméra mesure ensuite le motif d’intensité. Ces mesures deviennent des caractéristiques numériques pour un classifieur ridge, un modèle linéaire relativement simple avec régularisation.

Le classifieur n’est pas chargé de découvrir seul toute la structure utile de l’image. La transformation optique a déjà réorganisé les données afin que les catégories soient plus faciles à séparer.

Les chercheurs ont utilisé l’optimisation bayésienne pour ajuster six paramètres de mélange de canaux. L’optimisation bayésienne sélectionne des configurations prometteuses à partir des résultats d’expériences précédentes, limitant le besoin de tester chaque combinaison.

Ils ont également appliqué une méthode hardware-in-the-loop inspirée de la criticité auto-organisée. Ce processus a perturbé un espace de phase optique beaucoup plus vaste et évalué les changements à l’aide de mesures issues de l’appareil réel.

Cette seconde optimisation a traité 22 500 paramètres, selon le preprint de l’étude. Elle a convergé en environ 75 itérations sur une tâche rapportée.

Les deux méthodes agissent sur des niveaux différents. Le mélange de canaux modifie la manière dont l’information entre dans le système. L’optimisation matérielle modifie la configuration de phase physique à travers laquelle la lumière se propage.

Chacun a apporté six à sept points de pourcentage supplémentaires à ses expériences respectives. Cette similitude est notable, car une méthode n’ajuste que six variables, tandis que l’autre en explore des milliers.

Elle suggère qu’une structuration soignée des entrées peut compter autant qu’une recherche matérielle bien plus vaste. Elle met également en garde contre l’idée que le parallélisme optique brut suffirait à lui seul.

Le système à laser à fibre utilise un effet physique différent. Une fibre multimode peut prendre en charge simultanément de nombreux motifs spatiaux de lumière. À l’intérieur d’une cavité laser, ces modes interagissent par interférence et dynamique de gain.

Une image d’entrée est encodée sous forme de motif de phase. À mesure que ce motif circule, la cavité le transforme en une distribution d’intensité lumineuse de plus grande dimension.

La saturation du gain fournit la réponse non linéaire essentielle. Lorsque l’amplification optique approche de sa limite, la sortie ne varie plus en proportion directe de l’entrée.

Ce comportement non linéaire aide à distinguer des catégories complexes. Le motif obtenu peut rendre une classe d’images accessible à une frontière de décision linéaire, même lorsque les pixels bruts ne sont pas facilement séparables.

L’équipe de recherche a utilisé un laser à onde continue plutôt que des impulsions ultracourtes de forte puissance. Ce choix soutient son argument en faveur d’un processeur physique plus compact et potentiellement moins énergivore.

Les valeurs de précision publiées exigent néanmoins une interprétation prudente. La précision dépend du jeu de données, de la répartition entraînement-test, du prétraitement, de l’équilibre des classes et du modèle de comparaison.

Un résultat de 98 % sur une expérience d’imagerie médicale ne signifie pas que l’appareil diagnostique les maladies de peau avec une fiabilité de 98 % en pratique clinique. Ces travaux évaluent un benchmark d’apprentissage automatique, et non un produit médical déployé.

La première étude compare également les caractéristiques optiques à des pixels bruts traités par le même classifieur simple. Cela contrôle la capacité du classifieur, mais ce n’est pas la même comparaison qu’avec un modèle de vision moderne complet.

Les auteurs reconnaissent que la comparaison directe avec l’apprentissage profond est compliquée par les différences de capacité des modèles, de données d’entraînement et de coût de calcul. Leur principale affirmation concerne l’extraction de caractéristiques optiques, et non une supériorité universelle sur les modèles numériques.

C’est le cadre approprié pour interpréter les résultats rapportés. Les systèmes optiques ont produit des représentations utiles avec un entraînement numérique limité. Ils n’ont pas surpassé toutes les alternatives électroniques en matière de précision, d’énergie, de coût et d’échelle.

Le mécanisme montre également où le travail d’intégration doit se faire. Les données commencent dans un système électronique, sauf si elles proviennent directement d’un capteur optique. Elles doivent être encodées dans la lumière, traitées, détectées, puis réintégrées dans un flux de travail électronique.

Chaque transition ajoute de la latence, de la consommation d’énergie, des exigences d’étalonnage et un risque potentiel de perte d’information. Un produit viable doit gagner davantage à l’étape optique qu’il ne dépense pour franchir ces transitions.

Les pertes de conversion maintiennent l’IA photonique derrière les GPU généralistes

La question non résolue la plus importante est de savoir si le système optique complet surpasse les composants électroniques optimisés une fois pris en compte tous les éléments de conversion et de contrôle.

Le calcul photonique paraît souvent convaincant lorsqu’une opération optique isolée est considérée. La lumière peut se propager rapidement, combiner de nombreux canaux et exécuter certaines opérations mathématiques avec peu d’énergie supplémentaire.

Un ordinateur déployé ne peut pas isoler cette opération. Il a besoin de mémoire, de logiciels, d’encodage des entrées, de détection des sorties, de gestion des erreurs et d’interfaces avec les processeurs existants.

Maxim Shcherbakov, professeur de génie électrique à l’Université de Californie à Irvine, a identifié la conversion électro-optique comme un obstacle central. Les lasers doivent être modulés par des signaux électroniques, tandis que les détecteurs reconvertissent le résultat en données électroniques.

Son évaluation de la photonique soutient que les processeurs photoniques généralistes restent en retrait par rapport aux GPU standard. Il entrevoit de meilleures perspectives à court terme dans des applications edge spécialisées.

Cette analyse correspond aux expériences de l’Université Koç. Les deux systèmes ciblent des tâches de classification structurées. Aucun ne fait fonctionner un grand modèle de langage généraliste ni ne remplace une pile logicielle GPU complète.

Les systèmes edge peuvent offrir un point d’entrée plus clair, car certaines entrées arrivent déjà sous forme de lumière. Une caméra, un microscope, un imageur médical ou un instrument de télédétection peut potentiellement traiter l’information optique avant de créer une représentation électronique complète.

Cela réduit le nombre de conversions. Cela peut aussi diminuer le volume de données avant que l’information n’atteigne un processeur généraliste, un système de mémoire ou une connexion réseau.

Un capteur visuel pourrait identifier des caractéristiques utiles près de l’objectif, puis ne transmettre qu’une représentation compacte. La valeur viendrait d’une latence plus faible et d’une réduction du travail en aval, et non de la recréation d’un GPU dans du verre.

Les centres de données cloud imposent un critère plus exigeant. Leur matériel doit prendre en charge de nombreux modèles, tailles de tenseurs, formats numériques et cadres logiciels évoluant rapidement.

Le matériel photonique gagne souvent en efficacité grâce à la spécialisation. Un comportement optique fixe peut être extrêmement rapide pour une opération correspondante, mais difficile à réutiliser lorsqu’un algorithme change.

Les modulateurs programmables améliorent la flexibilité, mais ils ajoutent de la complexité de contrôle. L’étalonnage peut dériver avec la température, les vibrations, le vieillissement des composants ou de petits changements mécaniques.

L’optimisation fondée directement sur le matériel de l’Université Koç répond à certains de ces enjeux. L’apprentissage à partir de mesures permet au système d’absorber les imperfections qu’une simulation idéale ne détecte pas.

C’est un avantage d’ingénierie, mais le réétalonnage continu consomme aussi du temps et de l’énergie. Une évaluation commerciale doit mesurer la fréquence des adaptations et ce qui se produit entre les cycles d’étalonnage.

La précision constitue un autre point de pression. Les accélérateurs électroniques prennent en charge des formats numériques bien définis et une analyse des erreurs mature. Les mesures optiques analogiques comportent du bruit et des variations entre appareils.

Certaines charges de travail d’apprentissage automatique tolèrent une précision réduite. D’autres amplifient de petites erreurs au fil d’opérations répétées, en particulier lorsque de nombreuses étapes optiques et électroniques sont connectées.

Les expériences publiées utilisent une transformation optique suivie d’un classifieur numérique. Cette structure limitée réduit le risque d’accumulation d’erreurs au travers de nombreuses couches optiques.

Le passage à l’échelle pourrait introduire de nouveaux compromis. Davantage de canaux pourraient augmenter le débit, mais aussi créer de la diaphonie. Les systèmes plus grands nécessitent davantage de détecteurs, d’éléments de contrôle, de conditionnement et d’alignement.

La fabrication comptera autant que la physique de laboratoire. Un accélérateur utile doit être reproductible d’une unité à l’autre, stable dans le temps, compatible avec les processus de production et maintenable au sein d’un système informatique.

Les données énergétiques restent la principale lacune de l’annonce actuelle. L’article sur le laser à fibre décrit son processeur comme compact et peu énergivore, tandis que l’article multicanal évoque des avantages potentiels d’efficacité.

Aucun résumé public ne fournit une comparaison énergétique complète, validée de manière indépendante, avec une charge de travail GPU équivalente. Il n’existe pas de comptabilité exhaustive de la source, du modulateur, de la caméra, du contrôleur et du classifieur.

Cette absence n’invalide pas les recherches. Elle limite la conclusion que les lecteurs devraient en tirer.

Les systèmes démontrent un calcul avec la lumière et rapportent de solides résultats de classification. Ils ne démontrent pas encore une énergie de bout en bout inférieure par échantillon correctement classé dans des conditions commerciales.

Le principal adversaire n’est donc pas un autre laboratoire de photonique. C’est la pile électronique établie, avec sa maturité logicielle, son échelle de fabrication, sa flexibilité et ses améliorations continues d’efficacité.

L’IA photonique ne l’emporte que lorsqu’elle surpasse cette pile complète sur une charge de travail utile. Un noyau optique plus rapide est une ouverture, pas le résultat final.

Trois signaux montreront si le calcul optique peut passer à l’échelle

La prochaine étape exige des mesures énergétiques au niveau du système, du matériel intégré et des tests crédibles sur des charges de travail allant au-delà de petits classifieurs de laboratoire.

Le premier signal est un benchmark énergétique de bout en bout. Les chercheurs devraient communiquer des joules par inférence ou par échantillon traité pour l’ensemble de l’appareil.

Cette mesure doit inclure le laser, la modulation optique, la caméra, le contrôle numérique, le prétraitement, l’étalonnage et le classifieur en aval. La comparaison électronique doit exécuter la même tâche avec une précision et une latence similaires.

Si l’Université Koç ou une équipe indépendante publie un tel résultat, l’argument en faveur d’une IA durable deviendra bien plus solide. Si les économies optiques disparaissent après les conversions, l’intérêt se limitera à la latence ou à la détection spécialisée.

Les périmètres de mesure doivent aussi être explicites. Ne rapporter que l’énergie utilisée pendant la propagation de la lumière omettrait les composants qui rendent le processeur opérationnel.

Le deuxième signal est l’intégration physique. Les deux systèmes présentés utilisent des montages optiques de laboratoire avec des caméras et des équipements de contrôle. Les chercheurs identifient les dispositifs compacts intégrés sur puce comme une voie importante pour la suite.

L’intégration peut raccourcir les trajets optiques, réduire la sensibilité à l’alignement et abaisser les exigences de conditionnement. Elle peut aussi faciliter la combinaison de cette technologie avec des capteurs et des processeurs électroniques.

Un prototype intégré réussi n’aurait pas besoin de remplacer un GPU. Il pourrait démontrer une interface optique stable qui s’intègre à un flux de travail existant d’apprentissage automatique.

Surveillez le fonctionnement hors d’un laboratoire contrôlé, notamment en cas de variations de température ou de vibrations. La précision à long terme et la fréquence d’étalonnage révéleront si l’auto-optimisation résout la dérive en conditions réelles.

Le troisième signal est une validation sur des charges de travail plus larges. Les études actuelles couvrent plusieurs benchmarks d’images et de données structurées, ce qui constitue une preuve utile de polyvalence.

Les prochains tests devraient inclure des données de capteurs en flux continu, des entrées plus volumineuses, des mesures de latence et des comparaisons avec des extracteurs de caractéristiques numériques modernes. Les essais médicaux ou industriels exigeraient également des données représentatives et une évaluation indépendante.

Une expérience edge déployée renforcerait davantage l’argument qu’un nouveau record de précision isolé. Elle montrerait comment le processeur optique interagit avec la mémoire, les communications, les limites de puissance et des conditions d’entrée changeantes.

La trajectoire probable est hybride plutôt que totalement optique. La lumière prendra en charge certaines transformations adaptées à sa physique, tandis que l’électronique conservera la mémoire, l’orchestration et les décisions généralistes.

Cette répartition peut tout de même compter. Supprimer une étape coûteuse de millions d’opérations répétées peut réduire la chaleur et l’énergie, même lorsque le reste du système demeure électronique.

Elle modifie également la manière dont les développeurs devraient évaluer le matériel d’IA émergent. Le débit optique maximal dit peu de chose sans prendre en compte les coûts d’intégration, la précision numérique, l’utilisation et le soutien logiciel.

Les acheteurs en entreprise devraient demander si un appareil accélère leur charge de travail réelle, et non si la lumière est théoriquement plus rapide que les électrons. Ils devraient également exiger des mesures à la prise murale.

Les développeurs et les chercheurs font face à un problème de documentation à mesure que ce domaine se développe. Les résultats sont souvent répartis entre prépublications, articles scientifiques, notes matérielles, détails de benchmarks et corrections ultérieures.

Une base de connaissances consultable peut aider les équipes d’ingénierie à préserver ces détails et à comparer les affirmations selon des périmètres d’évaluation cohérents.

Les recherches de l’Université Koç sur l’IA photonique méritent l’attention, car elles déplacent des transformations d’images utiles vers le matériel physique tout en préservant la couleur et en introduisant un traitement non linéaire.

Leur résultat le plus solide n’est pas une affirmation établie sur le calcul durable. Il s’agit d’une voie expérimentale plus claire pour déterminer où le matériel optique mérite réellement sa place aux côtés de l’électronique.

Les preuves décisives viendront de mesures sur des systèmes complets, de prototypes intégrés et de charges de travail réelles. D’ici là, la bonne question est précise : quelle étape de traitement économise suffisamment d’énergie en étant déplacée dans le domaine optique pour justifier tout ce qui l’entoure ?