Les réseaux neuronaux artificiels exploités à l’heure actuelle ne sont généralement pas directement implémentés sous forme de circuits électroniques, mais plutôt simulés la plupart du temps sur des processeurs standards via le Cloud. Or, ces simulations s’avèrent extrêmement coûteuses aussi bien au vu du temps de traitement que du point de vue énergétique. Certains chercheurs considèrent le memristor comme une synapse artificielle qui pourrait bien révolutionner le Deep Learning, car il peut gérer des formes d’apprentissage non-supervisé en consommant moins d’énergie et sans perte de précision grâce à sa faculté spéciale : « ;se souvenir ;» de l’historique des impulsions électriques auxquelles il a été soumis précédemment.En électronique, le memristor (ou memristance) est un composant électronique passif. Il a été décrit comme le quatrième composant passif élémentaire, aux côtés du condensateur, du résistor et de la bobine. C’est une résistance analogique variable qui garde en mémoire les tensions électriques qui lui ont été appliquées. Il stocke efficacement l’information, car la valeur de sa résistance électrique change de façon permanente lorsqu’un courant est appliqué. Un memristor peut avoir une valeur élevée de résistance interprétable dans un ordinateur comme un « ;1 ;» en termes logiques, et une faible valeur qui peut être interprétée comme un « ;0 ;», alors qu’une résistance classique apporte une valeur stable de résistance. Parce que le memristor stocke et traite les informations au même endroit et simultanément, il pourrait aider à contourner le plus gros goulot d’étranglement caractérisant les ordinateurs commercialisés actuellement : le temps et l’énergie requis pour les échanges de données entre le processeur et la mémoire.
Les memristors permettraient de concevoir des réseaux neuronaux adaptatifs plus performants. Leur utilisation ouvrirait la voie à l’intégration de circuits performants dédiés à l’intelligence artificielle (IA) directement sur de petits appareils à puissance et à autonomie limitée, comme les smartphones. En milieu médical, par exemple, la capacité d’exécuter des algorithmes d’IA sans passer par le Cloud permettrait d’améliorer la sécurité et la confidentialité des opérations.
« ;Tout le monde veut mettre un processeur d’IA sur les smartphones, mais vous ne voulez pas que la batterie de votre téléphone portable se vide très rapidement ;», a confié Wei Lu, professeur en génie électrique et informatique à l’université du Michigan et responsable de l’équipe de recherche.
Les circuits graphiques (GPU) sont plus performants dans les tâches en rapport avec le Deep Learning comparés aux CPU. À ce propos, Wei Lu a expliqué : « ;Les GPU et les circuits numériques hautement optimisés et personnalisés sont considérés comme étant de 10 à 100 fois meilleurs que les CPU en termes de puissance et de débit ;» ;; « ;les processeurs d’IA basés sur les memristors pourraient être 10 à 100 fois mieux ;».
Un réseau de memristors va encore plus loin. Chaque memristor est capable d’effectuer ses propres calculs, ce qui permet d’effectuer des milliers d’opérations à l’intérieur d’un noyau à la fois. Le prototype présenté par l’équipe du professeur Lu était basé sur un circuit comportant plus de 5800 memristors. Un modèle commercial pourrait en inclure des millions.
Pour construire le premier ordinateur programmable utilisant des memristors en tant qu’unités de traitement et de mémorisation des données, les chercheurs de l’université du Michigan ont mis au point une puce pouvant intégrer le réseau de memristors avec tous les autres éléments nécessaires à sa programmation et son fonctionnement. Ces composants incluent un processeur conventionnel, des canaux de communication et des convertisseurs numériques / analogiques servant d’interpréteurs entre le réseau analogique de memristors et le reste de l’ordinateur. Lu et son équipe ont par la suite intégré le réseau de memristors directement sur la puce au moment de sa conception. Ils ont aussi développé un logiciel permettant de mapper des algorithmes d’apprentissage automatique sur la structure matricielle du réseau de memristors.
L’équipe a présenté l’appareil avec trois algorithmes d’apprentissage automatique : un pour classer les informations, un autre pour compresser et catégoriser les données (en particulier les images) et enfin le troisième, un réseau neuronal à deux couches conçu pour rechercher des modèles dans des données complexes. Lu prévoit de commercialiser cette technologie une fois qu’elle sera viable.
Les résultats de ces travaux ont été publiés dans Nature dans un rapport intitulé « ;A fully integrated reprogrammable memristor–CMOS system for efficient multiply–accumulate operations ;». L’étude a été coécrite par Seung Hwan Lee, doctorant en génie électrique au sein de l’université du Michigan, et financée par la Defence Advanced Research Projects Agency (DARPA), le centre ADA (Applications Driving Architectures) et la National Science Foundation aux États-Unis.
Source : Nature
Et vous ?
Qu’en pensez-vous ?Voir aussi
Des chercheurs de l'université du Michigan conçoivent le plus petit « ordinateur » au monde et détrônent par la même occasion IBM avec Salt 
