Une grande avancée technologique issue d’une collaboration entre trois laboratoires (CNRS, CEA Leti, start-up HawAI.tech) a abouti à un prototype de machine d’intelligence artificielle (IA) ultra-économe en énergie. Selon les résultats publiés dans la revue Nature Electronics, cette machine est en mesure d’accomplir des tâches d’IA, telles que la reconnaissance de gestes humains, en consommant des milliers de fois moins d’énergie que les solutions traditionnelles.
L’essor rapide de l’IA, en particulier grâce au deep learning, est entravé par sa consommation énergétique élevée, qui limite son utilisation dans des applications embarquées, telles que le suivi médical ou la surveillance de bâtiments et d’installations industrielles via des capteurs intelligents.
Pour remédier à ce problème, l’équipe a développé un prototype de machine d’IA basé sur une technologie innovante de nanocomposants appelés memristors, qui fusionnent les fonctions de calcul et de mémoire. Cette machine est composée de 2048 memristors en oxyde d’hafnium et 30 080 transistors en silicium. Les chercheurs ont dû relever deux défis majeurs : intégrer des technologies électroniques très différentes et mettre au point des méthodes pour éliminer les erreurs inhérentes aux composants memristors sans augmenter la consommation d’énergie.
Le prototype utilise des raisonnements bayésiens, une technique d’IA qui fonctionne avec peu d’informations, contrairement au deep learning qui nécessite de nombreux exemples. En outre, les raisonnements bayésiens sont entièrement explicables, contrairement au deep learning.
Les scientifiques ont démontré que la machine bayésienne à memristors est capable de reconnaître un geste humain, comme l’écriture d’un chiffre ou d’une signature, en utilisant des milliers de fois moins d’énergie qu’une solution basée sur un microcontrôleur traditionnel. Les recherches se poursuivront dans le cadre du projet PEPR d’accélération Électronique1. Le laboratoire C2N va également poursuivre les travaux sur la machine bayésienne à memristors, avec un prototype à plus grande échelle permettant de tester des applications réalistes, et un transfert de technologie vers la start-up HawAI.tech est envisagé.
Références
A Memristor-Based Bayesian Machine
K.-E. Harabi, T. Hirtzlin, C. Turck, E. Vianello, R. Laurent, J. Droulez, P. Bessière, J.-M. Portal, M. Bocquet, D. Querlioz
Nature Electronics, publié le 19/12/22
https://doi.org/10.1038/s41928-022-00886-9
Article disponible sur la base d’archives ouvertes Arxiv
