Une équipe dirigée par des ingénieurs de l’Université de Californie à San Diego a développé une nouvelle plateforme matérielle inspirée du cerveau qui pourrait aider le matériel informatique à suivre la croissance explosive de l’intelligence artificielle. En combinant la mémoire et le calcul sur la même puce — et en permettant à ses composants d’interagir collectivement comme des neurones dans le cerveau — la plateforme inspirée du cerveau a amélioré la vitesse, la précision et l’efficacité énergétique de la reconnaissance de formes dans deux tâches simulées : reconnaître des chiffres parlés et détecter précocement des crises d’épilepsie à partir d’enregistrements d’ondes cérébrales.
Cette approche pourrait conduire au développement de matériel compact et économe en énergie pour des systèmes d’IA plus petits, tels que ceux utilisés dans les moniteurs de santé portables, les capteurs intelligents et autres appareils autonomes.
Ces travaux, publiés le 9 mars dans Nature Nanotechnology, s’inscrivent dans le domaine de l’informatique neuromorphique, qui vise à construire des machines imitant la façon dont le cerveau traite l’information. Les chercheurs soulignent que la technologie est inspirée du cerveau, plutôt que similaire au cerveau ; elle puise des idées sur la façon dont les réseaux neuronaux interagissent, mais ne tente pas de reproduire le cerveau lui-même.
Une stratégie clé dans la construction de dispositifs inspirés du cerveau est de combiner la mémoire et le calcul sur le même matériel. Dans la plupart des ordinateurs conventionnels, ces fonctions sont séparées. Cela signifie que les données doivent constamment circuler entre la mémoire et les processeurs. Ce mouvement consomme du temps et de l’énergie et est devenu un goulot d’étranglement majeur à mesure que les modèles d’IA grandissent.
En s’inspirant du cerveau, les chercheurs dirigés par Duygu Kuzum, professeure au département de génie électrique et informatique de la Jacobs School of Engineering de l’UC San Diego, développent de nouvelles architectures informatiques qui stockent et traitent les informations au sein du même système.
Cependant, un autre goulot d’étranglement persiste. De nombreuses technologies neuromorphiques existantes se concentrent encore sur la modélisation d’éléments individuels du cerveau — tels que les neurones ou synapses artificiels — et les connectent dans des circuits prédéfinis. Mais dans le cerveau, l’apprentissage et le calcul ne proviennent pas de neurones individuels agissant comme des composants isolés, a expliqué Kuzum, auteure principale de l’étude. Au lieu de cela, ils émergent des interactions riches et dynamiques de vastes réseaux de neurones communiquant collectivement dans l’espace et le temps.
Pour mieux capturer ce comportement, Kuzum et ses collaborateurs au Quantum Materials for Energy Efficient Neuromorphic Computing (Q-MEEN-C) — un Energy Frontier Research Center (EFRC) financé par le département de l’Énergie des États-Unis (DOE) — ont conçu une plateforme de calcul où de nombreux nœuds sont physiquement connectés à travers le même matériau et peuvent s’influencer mutuellement à travers le réseau.
La plateforme est construite à partir d’un nickelate de pérovskite dopé à l’hydrogène appelé nickelate de néodyme, un type de matériau quantique connu pour ses propriétés électroniques inhabituelles.
Lorsque des ions hydrogène sont introduits dans le matériau, ils forment de petits nuages sous les électrodes métalliques structurées sur sa surface. L’application d’impulsions de tension provoque le déplacement des ions hydrogène dans le matériau et modifie sa résistance électrique. Ce mouvement confère au système des propriétés de type mémoire. Chaque nœud peut brièvement retenir des informations sur les signaux récents, tandis que des éléments programmables séparés stockent des informations à plus long terme.
Dans le même temps, tous les nœuds interagissent à travers le substrat partagé sous eux. L’activité à un endroit influence le comportement des autres. Ce substrat partagé ressemble vaguement au fluide ionique entourant les neurones dans le cerveau, où les signaux se propagent et influencent les cellules voisines. En raison de cette connexion, la sortie de n’importe quel nœud dépend de ce que fait le reste du réseau. Si des nœuds voisins reçoivent des signaux, la réponse mesurée change. Cela crée un comportement collectif à travers le système, similaire à la communication entre les régions cérébrales, a expliqué le premier auteur de l’étude, Yue Zhou, chercheur postdoctoral dans le laboratoire de Kuzum à l’UC San Diego.
Le dispositif traite les informations en utilisant une stratégie appelée calcul spatiotemporel, qui analyse les signaux à la fois dans le temps et à travers les interactions spatiales à travers le réseau. Les signaux entrants sont d’abord convertis en impulsions électriques et envoyés dans le réseau. Les nœuds en interaction transforment ces signaux en motifs internes complexes qui capturent à la fois l’information temporelle et la dynamique du réseau. Une seconde couche de jonctions programmables lit ensuite ces motifs et effectue des tâches de classification.
Les chercheurs ont démontré l’approche en utilisant deux applications simulées. Dans l’une, le système a reconnu avec une grande précision des chiffres parlés. Dans l’autre, il a détecté des signes précoces de crises d’épilepsie à partir de signaux d’électroencéphalogramme (EEG). Dans les deux cas, le système a surpassé les méthodes reposant uniquement sur un traitement temporel.
Dans le test de détection de crises, le système a identifié des signaux d’alerte même avec seulement quelques secondes de données cérébrales. Parce que l’activité d’un nœud influence les autres, les signaux précoces de quelques canaux peuvent se propager à travers le réseau et aider le système à détecter plus tôt les crises.
De plus, le système fonctionne extrêmement rapidement à l’échelle de centaines de nanosecondes et utilise très peu d’énergie, environ 0,2 nanojoules par opération.
Cette efficacité pourrait rendre la technologie utile pour les applications d’IA en périphérie (edge AI), où les petits appareils doivent traiter les données localement avec une puissance limitée au lieu de les envoyer vers de grands centres de données, a noté Kuzum. Les utilisations potentielles incluent les dispositifs médicaux portables, les capteurs intelligents, les systèmes de traitement audio et les machines autonomes.
La technologie en est encore à un stade précoce. Les démonstrations matérielles jusqu’à présent se sont concentrées sur des tâches à petite échelle, tandis que des tâches plus grandes comme la reconnaissance vocale et la détection de crises ont été testées via des simulations basées sur des mesures expérimentales.
Les travaux futurs se concentreront sur la mise à l’échelle du système ; son intégration avec l’électronique semi-conductrice conventionnelle ; et l’exploration d’applications supplémentaires.
Article : Protonic nickelate device networks for spatiotemporal neuromorphic computing – Journal : Nature Nanotechnology – DOI : Lien vers l’étude
Source : UC San Diego
