Neurones artificiels ioniques : vers des puces d’IA plus petites et plus economes
Des chercheurs de l’USC Viterbi School of Engineering et de la School of Advanced Computing ont développé des neurones artificiels qui reproduisent le comportement electrochimique des cellules cerebrales. Basée sur le mouvement d’ions et non d’electrons, cette approche pourrait permettre des puces d’intelligence artificielle beaucoup plus compactes et moins consommatrices d’energie.
Un probleme d’energie pour l’IA actuelle
Les grands modeles d’IA exigent des infrastructures de calcul massives. L’architecture electronique traditionnelle, fondee sur le deplacement d’electrons dans le silicium, est efficace pour le calcul brut mais couteuse en energie lorsqu’il s’agit d’apprentissage adaptatif. Par contraste, le cerveau humain fonctionne avec environ 20 watts pour realiser des taches complexes comme la reconnaissance faciale a partir d’un seul exemple.
Imiter la biologie au niveau materiel
Plutot que de se contenter de simulations numeriques, l’equipe dirigee par le professeur Joshua Yang a choisi d’emuler physiquement l’activite neuronale. Leur composant, appele « memristor diffusif », utilise le mouvement d’ions – en l’occurrence des ions d’argent dans un oxyde – pour traiter l’information, reproduisant la conversion electrique-chimique-electrique qui se produit aux synapses biologiques.
« Meme si les ions ne sont pas exactement les memes, la physique qui gouverne leur mouvement et leur dynamique est tres similaire », explique Joshua Yang. Cette approche permet de faire apprendre le materiel lui-meme, ce que les auteurs qualifient de ‘wetware’, par opposition a l’apprentissage logiciel des IA actuelles.
Gains de taille et d’efficacite
Le memristor diffusif offre des avantages significatifs :
- Compacite : un neurone artificiel peut tenir sur l’empreinte d’un seul transistor, alors que les architectures neuromorphiques classiques requierent des dizaines ou des centaines de transistors par neurone.
- Efficacite energetique : en s’inspirant des principes du cerveau, ces composants visent a reduire fortement la consommation par rapport aux puces electroniques actuelles.
Selon le professeur Yang, « le probleme n’est pas que nos puces manquent de puissance, mais qu’elles ne sont pas assez efficaces. Elles consomment trop d’energie ». Ces composants cherchent donc a rendre l’IA plus soutenable, tout en permettant des niveaux d’intelligence eleves sans facture energetique prohibitive.
Limites et etapes suivantes
Malgre la demonstration prometteuse, plusieurs defis restent a relever :
- Compatibilite industrielle : l’argent utilise dans les prototypes n’est pas directement compatible avec les processus de fabrication standards des semi-conducteurs.
- Recherche materiaux : il faudra identifier d’autres materiaux ioniques offrant des performances analogues et une integrabilite industrielle.
- Mise a l’echelle : integrer un grand nombre de ces synapses et neurones artificiels pour tester l’efficacite d’apprentissage a grande echelle.
Au-dela des applications engineering, ces reseaux materiels fideles au fonctionnement cerebral pourraient egalement servir de plateformes experimentales pour les neurosciences, en aidant a comprendre certains mecanismes d’apprentissage et de plasticite du cerveau humain.
Conclusion
La demonstration du memristor diffusif ouvre une voie prometteuse vers des puces d’IA plus compactes et moins gourmandes en energie, en empruntant des principes fondamentaux de la physiologie neuronale. Reste a trouver des materiaux et des procedes de fabrication compatibles pour transformer cette avancée de laboratoire en technologie industrielle, et a verifier si ces reseaux materiels peuvent reproduire l’efficacite d’apprentissage du cerveau a grande echelle.
