Des chercheurs de l’Université de Californie à Los Angeles (UCLA) ont mis au point un nouveau type de système d’intelligence artificielle capable d’identifier les vidéos truquées en utilisant la lumière. Ce système hybride combine calcul traditionnel et traitement optique, lui permettant d’analyser simultanément plus de quinze flux vidéo. Lors de tests en laboratoire, il a atteint un taux de précision de 97,79 % et une sensibilité de 99,86 %, démontrant ainsi une excellente capacité à distinguer correctement les vidéos authentiques des vidéos falsifiées. Le système fonctionne en utilisant un encodeur numérique léger pour extraire les caractéristiques clés de chaque vidéo, telles que ses propriétés spatiales, spectrales et temporelles. Ces caractéristiques sont ensuite transformées en un motif de phase et affichées sur un modulateur spatial de lumière programmable. L’onde optique ainsi générée traverse un décodeur optique passif en espace libre. À l’issue de ce processus, des détecteurs optiques appariés attribuent à chaque vidéo un score d’authenticité, permettant de déterminer si elle est réelle ou falsifiée. Les chercheurs ont testé le système sur la base de données Celeb-DF, une collection largement utilisée de vidéos truquées. Le système a atteint une précision moyenne de 97,79 % lors de l’analyse de 15 vidéos simultanément. Lorsque le nombre de vidéos a été porté à 18, la précision a légèrement baissé, s’établissant à 96,13 %. Le système a également été évalué sur des vidéos générées à l’aide de VEO-3, un modèle d’IA développé par Google. Après avoir été ajusté avec des vidéos produites par l’IA Gemini de Google, le système a atteint une précision de 94,80 %, avec une sensibilité de 97,61 % et une spécificité de 92,00 %. Pour améliorer ses performances, les chercheurs ont ajouté des couches optiques passives au système. Ces couches, statiques et ne nécessitant pas d’alimentation électrique, ont permis d’augmenter la précision de détection sur la base de données DeepSpeak de 88,98 % à 95,76 %. Le système a également été testé dans diverses conditions de dégradation, comme le bruit, le flou ou la compression. Il a maintenu ses capacités de détection dans ces conditions, ce qui laisse penser qu’il pourrait devenir un outil fiable à mesure que la technologie des deepfakes évolue.