Des circuits IA qui fonctionnent même en faible éclairage

L’innovation technologique continue de repousser les limites de l’intelligence artificielle (IA), notamment en matière d’efficacité énergétique. Une équipe de chercheurs a récemment démontré la faisabilité d’un système d’IA autoalimenté par l’énergie solaire, capable de fonctionner même avec un apport énergétique minimal.

Un système d’IA autoalimenté par l’énergie solaire

Des chercheurs et une chercheuse ont montré qu’on peut fabriquer à partir de memristors un système d’IA autoalimentée à l’énergie solaire, dont le fonctionnement est assuré même en cas d’apport énergétique faible.

L’intelligence artificielle (IA) est largement utilisée dans diverses applications embarquées comme par exemple la surveillance des patients. Pour garantir la sécurité et minimiser la consommation d’énergie due à la communication, il serait préférable de traiter les données directement dans ces systèmes embarqués.

Toutefois, la forte consommation d’énergie des IA fait obstacle à leur déploiement dans des environnements nécessitant leur autonomie. Une solution prometteuse à ce problème est la conception de systèmes à base de memristors, des composants électroniques programmables électriquement, car susceptibles de stocker de l’information via une modulation de la valeur de leur résistance.

L’utilisation de ces memristors peut réduire considérablement la consommation d’énergie de l’IA, rendant même concevable la création de systèmes d’IA autoalimentés en collectant directement l’énergie de leur environnement, ce qui permettrait la conception d’IAs autonomes, ne nécessitant pas de batteries.

Le calcul en mémoire analogique

La plupart des circuits d’IA à base de memristors reposent sur un concept de calcul en mémoire analogique, exploitant les lois classiques de l’électricité (lois d’Ohm et de Kirchhoff) pour effectuer l’opération fondamentale des réseaux de neurones, à savoir la multiplication et l’accumulation (MAC).

Ce concept est difficile à mettre en pratique en raison de la grande variabilité des memristors, des imperfections des circuits analogiques CMOS et des effets de variation de la tension d’alimentation. Pour surmonter ces difficultés, les systèmes d’IA intégrés à base de memristors utilisent des circuits périphériques complexes, qui sont réglés pour une tension d’alimentation particulière.

Cette exigence de stabilité de la tension d’alimentation est en contradiction directe avec les propriétés des collecteurs d’énergie tels que les cellules solaires miniatures, qui fournissent une tension et une énergie fluctuantes, ce qui constitue un obstacle important à la réalisation d’une IA autoalimentée à base de memristors.

Une collaboration scientifique fructueuse

Des chercheurs de l’Institut des Matériaux, de Microélectronique et des Nanosciences de Provence (IM2NP, CNRS / Aix-Marseille Université), en collaboration avec des scientifiques du Centre de Nanosciences et de Nanotechnologies (C2N, CNRS / Université Paris-Saclay), du Commissariat à l’énergie atomique et aux énergies alternatives (CEA-Leti) et de l’Institut Photovoltaïque d’Ile-de-France (IPVF) ont conçu un réseau neuronal binarisé, fabriqué dans un processus hybride CMOS/memristor, avec une approche alternative particulièrement résistante aux fluctuations d’alimentation.

Cette robustesse a été illustrée en alimentant le circuit avec une cellule solaire miniature à large bande passante, optimisée pour les applications en intérieur. Fait remarquable, le circuit reste fonctionnel même dans des conditions de faible éclairage équivalant à 0,08 fois le flux moyen solaire, ne subissant qu’une modeste baisse de la précision du réseau neuronal.

Lorsque la disponibilité de l’énergie est limitée, le circuit passe ainsi de manière transparente d’un calcul précis à un calcul approximé.

Ces résultats ouvrent la voie au déploiement de l’Intelligence artificielle dans les systèmes embarqués autonomes en énergie. Ils sont publiés dans la revue Nature Communications.

Powering AI at the edge: A robust, memristor-based binarized neural network with near-memory computing and miniaturized solar cell, Fadi Jebali, Atreya Majumdar, Clément Turck, Kamel-Eddine Harabi, Mathieu-Coumba Faye, Eloi Muhr, Jean-Pierre Walder, Oleksandr Bilousov, Amadéo Michaud, Elisa Vianello, Tifenn Hirtzlin, François Andrieu, Marc Bocquet, Stéphane Collin, Damien Querlioz, Jean-Michel Portal, Nature Communications. Doi : 10.1038/s41467-024-44766-6