Les ordinateurs modernes peinent à égaler l’efficacité du cerveau humain. Même la reconnaissance de chiffres manuscrits peut consommer une énergie considérable, principalement parce que les ordinateurs conventionnels séparent la mémoire du traitement. En revanche, les neurones biologiques perçoivent, calculent et stockent l’information dans la même structure physique avec une consommation d’énergie remarquablement faible.
Dans l’International Journal of Extreme Manufacturing, des chercheurs rapportent une puce neuromorphique qui adopte une approche très différente : elle traite et apprend l’information en utilisant la lumière et l’électronique étroitement intégrées sur une seule plateforme, un peu comme les neurones biologiques combinent la perception, la communication et la mémoire en une seule structure physique.
Leur plateforme neuronale bio-inspirée peut fonctionner à basse tension (~±1 V), avec des rapports on/off élevés (jusqu’à 10⁶) et des balayages sous le seuil extrêmement bas (~78 mV·dec⁻¹), tout en maintenant une excellente stabilité des dispositifs sur plus de 1000 cycles de commutation, et peut atteindre une précision de reconnaissance d’image de 92,02 % en simulation.
« Notre objectif était de nous éloigner des architectures fragmentées et de tendre vers un système où la génération, la transmission et l’apprentissage du signal se produisent tous ensemble », explique l’auteur correspondant, le professeur Jianwen Zhao du Suzhou Institute of Nano-Tech and Nano-Bionics, de l’Académie chinoise des sciences. « Cela se rapproche beaucoup plus du fonctionnement des systèmes neuronaux réels. »
Le cœur de leur plateforme est un système monolithique construit à partir de transistors en film mince de nanotubes de carbone à paroi unique couplés à des diodes électroluminescentes miniatures (Mini-LED). Ensemble, ces composants forment une boucle électrique-optique-électrique fermée : les signaux électriques génèrent de la lumière, la lumière modifie le comportement électronique, et les signaux électriques résultants transportent l’information vers l’avant, un peu comme la communication entre les neurones biologiques.
Fait remarquable, le même transistor à nanotubes de carbone remplit deux rôles critiques à la fois. Il agit comme un pilote pour les LED, contrôlant la lumière avec des tensions faibles d’environ 1 volt, et il se comporte également comme une synapse artificielle, répondant à la lumière qu’il produit pour simuler des comportements d’apprentissage. « Combiner ces fonctions dans un seul dispositif nous permet de simplifier considérablement le circuit tout en améliorant l’efficacité », a noté le professeur Zhao.
Contrairement à de nombreux systèmes neuromorphiques optoélectroniques qui dépendent de sources lumineuses externes encombrantes, cette plateforme génère et traite les signaux optiques entièrement sur puce. Leurs dispositifs ont été fabriqués à l’échelle de la plaquette en utilisant des procédés compatibles avec les semiconducteurs, avec des caractéristiques de taille micrométrique et des tensions de fonctionnement d’environ un volt. Lorsqu’ils sont associés à une couche de semiconducteur organique, les transistors répondent à la majeure partie du spectre visible, leur permettant de traiter des signaux optiquement codés générés directement sur la puce.
En utilisant ce système intégré, l’équipe du professeur Zhao a démontré des comportements synaptiques clés trouvés dans l’apprentissage biologique, y compris des changements à court et à long terme de la force du signal. Sur la base des caractéristiques mesurées des dispositifs, ils ont simulé un réseau neuronal convolutif à cinq couches qui a atteint plus de 92 % de précision sur des tâches standard de reconnaissance d’image et environ 86 % sur les chiffres manuscrits, sans dépendre de mémoire externe ou d’unités de calcul.
Bien que le système ne soit pas encore un cerveau artificiel complet, il pointe vers un futur où la perception, le calcul et la mémoire sont profondément unifiés. Avec une intégration et une mise à l’échelle supplémentaires, cette approche pourrait permettre un matériel compact et économe en énergie pour le calcul neuromorphique, l’électronique adaptative et les interfaces homme-machine de nouvelle génération qui apprennent et répondent rapidement, efficacement et avec une puissance minimale, plus comme le cerveau lui-même.
Article : Carbon nanotube-based bio-inspired neuron systems via cascaded thin-film transistor-driven light emitting diodes and optoelectronic synaptic transistors for neuromorphic computing – Journal : International Journal of Extreme Manufacturing – DOI : Lien vers l’étude
Source : Revue internationale sur la fabrication extrême
