Les réseaux de neurones de recommandation — ceux qui sélectionnent votre fil d'actualités — sont le fruit de l'apprentissage automatique. Ils fonctionnent comme des recettes géantes en des milliers d'étapes. Chaque étape est une opération simple : additionner, multiplier, découper un tableau de nombres. Avec le temps, lorsqu'on affine le modèle, des actions superflues s'accumulent dans les recettes. Imaginez un cuisinier qui coupe des carottes en rondelles puis les recolle immédiatement — absurde, mais la recette l'exige. De même, dans les réseaux de neurones, il arrive parfois que les données soient d'abord divisées en parties, puis réassemblées à l'étape suivante. Chacune de ces actions lance une tâche distincte sur la carte graphique, et au lieu d'un calcul rapide, on obtient une file d'attente de centaines de petites instructions. Autrefois, les ingénieurs cherchaient ces défauts à la main, mais les modèles sont mis à jour chaque semaine — sans optimisation automatique, il est devenu impossible de faire le ménage.

Optimus est un « nettoyeur » intégré au compilateur PyTorch, qui connaît plus de trente motifs inutiles typiques. Il parcourt tout le schéma de calcul, que les spécialistes appellent graphe (un ensemble d'étapes liées), et le compare à des modèles : s'il voit un nœud familier du type « couper-coller », il le remplace immédiatement par un simple transfert de données. Si la recette contient dix opérations identiques à la suite, il les fusionne en une seule. Tout ce nettoyage ne change pas le résultat final — vous obtenez la même réponse, mais le chemin pour y arriver devient direct. Grâce au fait que les règles fonctionnent sur un langage interne commun, un seul ensemble de modèles convient à des centaines de modèles différents, quelle que soit leur topologie (structure interne des connexions).

L'effet est visible. Les modèles industriels qui fonctionnaient lentement à cause de schémas dynamiques apprennent désormais jusqu'à 63 % plus vite. Dans un test extrême, la simulation numérique a montré que le nombre de cœurs de calcul lors de l'apprentissage est passé de près de 13 000 à 24, et lors de l'utilisation du modèle entraîné, de 6 320 à 6. La mémoire de pointe a diminué de quelques pour cent — crucial pour les grandes tâches. Le code d'Optimus est ouvert et intégré à PyTorch, de sorte que tout développeur peut l'utiliser et même ajouter ses propres modèles — rendant les réseaux de neurones encore plus rapides et plus écologiques.