Les performances impressionnantes de l’intelligence artificielle (IA) s’accompagnent d’une demande énergétique considérable. Deux chercheurs de l’Institut Max Planck pour la Science de la Lumière à Erlangen, en Allemagne, proposent une méthode permettant de former l’IA de manière beaucoup plus efficace.
Leur approche repose sur des processus physiques plutôt que sur les réseaux de neurones artificiels numériques actuellement utilisés. Les résultats ont été publiés dans la revue Physical Review X (« Self-Learning Machines Based on Hamiltonian Echo Backpropagation« ).
Les réseaux neuronaux sur les ordinateurs neuromorphiques
Afin de réduire la consommation d’énergie des ordinateurs et, en particulier, des applications d’IA, plusieurs institutions de recherche étudient depuis quelques années un nouveau concept de traitement des données pour l’avenir : le calcul neuromorphique. Bien que cela ressemble aux réseaux neuronaux artificiels, il a en réalité peu à voir avec eux, car les réseaux neuronaux artificiels fonctionnent sur des ordinateurs numériques conventionnels.
« Le transfert de données entre ces deux composants consomme à lui seul de grandes quantités d’énergie lorsqu’un réseau neuronal entraîne des centaines de milliards de paramètres, c’est-à-dire des synapses, avec jusqu’à un téraoctet de données », explique Florian Marquardt, directeur de l’Institut Max Planck pour la Science de la Lumière et professeur à l’Université d’Erlangen.
Une machine physique auto-apprenante optimise ses synapses
En collaboration avec Víctor López-Pastor, doctorant à l’Institut Max Planck, Florian Marquardt a élaboré une méthode d’entraînement efficace pour les ordinateurs neuromorphiques.
« Nous avons développé le concept d’une machine physique auto-apprenante », explique Florian Marquardt. « L’idée centrale est de réaliser l’entraînement sous la forme d’un processus physique, dans lequel les paramètres de la machine sont optimisés par le processus lui-même. »
La mise en œuvre et la formation d’une intelligence artificielle sur une machine physique auto-apprenante permettraient non seulement d’économiser de l’énergie, mais aussi du temps de calcul.
Test pratique dans un ordinateur neuromorphique optique
Des exemples de processus réversibles et non linéaires peuvent être trouvés dans l’optique. En effet, les deux chercheurs collaborent déjà avec une équipe expérimentale développant un ordinateur neuromorphique optique. Cette machine traite les informations sous la forme d’ondes lumineuses superposées, des composants appropriés régulant le type et l’intensité de l’interaction. Les chercheurs visent à mettre en pratique le concept de la machine physique auto-apprenante.
« Nous espérons pouvoir présenter la première machine physique auto-apprenante dans trois ans », commente Florian Marquardt. D’ici là, il devrait exister des réseaux neuronaux qui pensent avec beaucoup plus de synapses et sont formés avec des quantités de données nettement plus importantes qu’aujourd’hui.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
En synthèse
Les chercheurs de l’Institut Max Planck pour la Science de la Lumière ont développé une méthode d’entraînement éco-énergétique pour l’intelligence artificielle basée sur des processus physiques. Cette approche pourrait réduire considérablement la consommation d’énergie et le temps de calcul nécessaires pour former des réseaux neuronaux. Les ordinateurs neuromorphiques optiques pourraient être la clé pour mettre en pratique cette méthode innovante.
Pour une meilleure compréhension
1. Qu’est-ce que le calcul neuromorphique ?
Le calcul neuromorphique est un concept de traitement des données qui imite la manière dont le cerveau humain fonctionne. Il vise à réduire la consommation d’énergie et à améliorer l’efficacité des ordinateurs, en particulier pour les applications d’intelligence artificielle.
2. Comment fonctionne une machine physique auto-apprenante ?
Une machine physique auto-apprenante optimise ses paramètres grâce à un processus physique, sans nécessiter de rétroaction externe. Cela rend l’entraînement beaucoup plus efficace en termes d’énergie et de temps de calcul.
3. Quelles sont les conditions requises pour le processus physique ?
Le processus physique doit être réversible et non linéaire, c’est-à-dire suffisamment complexe pour accomplir les transformations compliquées entre les données d’entrée et les résultats.
4. Qu’est-ce qu’un ordinateur neuromorphique optique ?
Un ordinateur neuromorphique optique est un type d’ordinateur qui traite les informations sous la forme d’ondes lumineuses superposées. Les composants appropriés régulent le type et l’intensité de l’interaction entre les ondes lumineuses.
5. Quand peut-on s’attendre à voir la première machine physique auto-apprenante ?
Les chercheurs espèrent présenter la première machine physique auto-apprenante dans trois ans, offrant une méthode d’entraînement plus éco-énergétique pour l’intelligence artificielle.
Publication originale : DOI: doi.org/10.1103/PhysRevX.13.031020
URL : journals.aps.org/prx/abstract/10.1103/PhysRevX.13.031020
