La conception pourrait faire progresser le développement de petits appareils d’IA portables –

  • FrançaisFrançais



  • Les ingénieurs du MIT ont conçu un «cerveau sur puce», plus petit qu’un morceau de confettis, composé de dizaines de milliers de synapses cérébrales artificielles appelées memristors – des composants à base de silicium qui imitent les synapses transmettant des informations dans le cerveau humain.

    Les chercheurs ont emprunté aux principes de la métallurgie pour fabriquer chaque memristor à partir d’alliages d’argent et de cuivre, ainsi que de silicium. Lorsqu’ils ont exécuté la puce à travers plusieurs tâches visuelles, la puce était capable de “se souvenir” des images stockées et de les reproduire plusieurs fois, dans des versions plus nettes et plus propres par rapport aux conceptions de memristor existantes faites avec des éléments non alliés.

    Leurs résultats, publiés aujourd’hui dans la revue Nanotechnologie de la nature, démontrent une nouvelle conception de memristor prometteuse pour les dispositifs neuromorphiques – des composants électroniques basés sur un nouveau type de circuit qui traite les informations d’une manière qui imite l’architecture neuronale du cerveau. De tels circuits inspirés du cerveau pourraient être intégrés dans de petits appareils portables et effectueraient des tâches de calcul complexes que seuls les supercalculateurs d’aujourd’hui peuvent gérer.

    «Jusqu’à présent, les réseaux de synapse artificiels existent sous forme de logiciel. Nous essayons de construire un véritable matériel de réseau neuronal pour les systèmes portables d’intelligence artificielle», déclare Jeehwan Kim, professeur agrégé de génie mécanique au MIT. “Imaginez connecter un appareil neuromorphique à une caméra de votre voiture, et lui faire reconnaître les lumières et les objets et prendre une décision immédiatement, sans avoir à se connecter à Internet. Nous espérons utiliser des memristors écoénergétiques pour effectuer ces tâches sur place, en temps réel.”

    Ions errants

    Les memristors, ou transistors mémoire, sont un élément essentiel du calcul neuromorphique. Dans un dispositif neuromorphique, un memristor servirait de transistor dans un circuit, bien que son fonctionnement ressemblerait plus étroitement à une synapse cérébrale – la jonction entre deux neurones. La synapse reçoit des signaux d’un neurone, sous forme d’ions, et envoie un signal correspondant au neurone suivant.

    Un transistor dans un circuit classique transmet des informations en commutant entre l’une des deux seules valeurs, 0 et 1, et ce uniquement lorsque le signal qu’il reçoit, sous la forme d’un courant électrique, est d’une intensité particulière. En revanche, un memristor fonctionnerait selon un gradient, un peu comme une synapse dans le cerveau. Le signal qu’il produit varierait en fonction de la force du signal qu’il reçoit. Cela permettrait à un même memristor d’avoir de nombreuses valeurs, et donc d’effectuer une gamme d’opérations beaucoup plus large que les transistors binaires.

    Comme une synapse cérébrale, un memristor serait également capable de «se souvenir» de la valeur associée à une intensité de courant donnée et de produire exactement le même signal la prochaine fois qu’il recevra un courant similaire. Cela pourrait garantir que la réponse à une équation complexe, ou à la classification visuelle d’un objet, est fiable – une prouesse qui implique normalement plusieurs transistors et condensateurs.

    En fin de compte, les scientifiques envisagent que les memristors nécessiteraient beaucoup moins de puces que les transistors conventionnels, ce qui permettrait des appareils informatiques puissants et portables qui ne reposent pas sur des superordinateurs, ni même sur des connexions à Internet.

    Les conceptions de memristor existantes, cependant, sont limitées dans leurs performances. Un memristor unique est constitué d’une électrode positive et négative, séparées par un «milieu de commutation», ou un espace entre les électrodes. Lorsqu’une tension est appliquée à une électrode, les ions de cette électrode s’écoulent à travers le milieu, formant un «canal de conduction» vers l’autre électrode. Les ions reçus constituent le signal électrique que le memristor transmet à travers le circuit. La taille du canal ionique (et le signal que le memristor produit finalement) doit être proportionnelle à la force de la tension de stimulation.

    Kim dit que les conceptions de memristor existantes fonctionnent assez bien dans les cas où la tension stimule un grand canal de conduction ou un flux important d’ions d’une électrode à l’autre. Mais ces conceptions sont moins fiables lorsque les memristors doivent générer des signaux plus subtils, via des canaux de conduction plus minces.

    Plus un canal de conduction est mince et plus le flux d’ions d’une électrode à l’autre est léger, plus il est difficile pour les ions individuels de rester ensemble. Au lieu de cela, ils ont tendance à s’éloigner du groupe et à se dissoudre dans le médium. En conséquence, il est difficile pour l’électrode de réception de capturer de manière fiable le même nombre d’ions, et donc de transmettre le même signal, lorsqu’elle est stimulée avec une certaine plage de courant faible.

    Emprunter à la métallurgie

    Kim et ses collègues ont trouvé un moyen de contourner cette limitation en empruntant une technique à la métallurgie, la science de la fusion des métaux en alliages et en étudiant leurs propriétés combinées.

    «Traditionnellement, les métallurgistes essaient d’ajouter différents atomes dans une matrice en vrac pour renforcer les matériaux, et nous avons pensé, pourquoi ne pas modifier les interactions atomiques dans notre memristor, et ajouter un élément d’alliage pour contrôler le mouvement des ions dans notre milieu», dit Kim.

    Les ingénieurs utilisent généralement l’argent comme matériau pour l’électrode positive d’un memristor. L’équipe de Kim a parcouru la littérature pour trouver un élément qu’ils pourraient combiner avec de l’argent pour maintenir efficacement les ions d’argent ensemble, tout en leur permettant de s’écouler rapidement vers l’autre électrode.

    L’équipe a atterri sur le cuivre comme élément d’alliage idéal, car il est capable de se lier à la fois à l’argent et au silicium.

    “Il agit comme une sorte de pont et stabilise l’interface argent-silicium”, explique Kim.

    Pour fabriquer des memristors en utilisant leur nouvel alliage, le groupe a d’abord fabriqué une électrode négative en silicium, puis a réalisé une électrode positive en déposant une légère quantité de cuivre, suivie d’une couche d’argent. Ils ont pris les deux électrodes en sandwich autour d’un milieu de silicium amorphe. De cette manière, ils ont modelé une puce de silicium millimétrique avec des dizaines de milliers de memristors.

    Comme premier test de la puce, ils ont recréé une image en échelle de gris du bouclier Captain America. Ils ont assimilé chaque pixel de l’image à un memristor correspondant dans la puce. Ils ont ensuite modulé la conductance de chaque memristor qui était relative en force à la couleur du pixel correspondant.

    La puce a produit la même image nette du bouclier, et a pu “se souvenir” de l’image et la reproduire plusieurs fois, par rapport aux puces faites d’autres matériaux.

    L’équipe a également exécuté la puce à travers une tâche de traitement d’image, en programmant les memristors pour modifier une image, dans ce cas de Killian Court du MIT, de plusieurs manières spécifiques, y compris en accentuant et en brouillant l’image originale. Encore une fois, leur conception a produit les images reprogrammées de manière plus fiable que les conceptions de memristor existantes.

    «Nous utilisons des synapses artificielles pour faire de vrais tests d’inférence», dit Kim. «Nous aimerions développer davantage cette technologie pour disposer de baies à plus grande échelle pour effectuer des tâches de reconnaissance d’images. Et un jour, vous pourrez peut-être transporter des cerveaux artificiels pour effectuer ce type de tâches, sans vous connecter à des supercalculateurs, à Internet ou le nuage.”

    Cette recherche a été financée en partie par les fonds du MIT Research Support Committee, le MIT-IBM Watson AI Lab, le Samsung Global Research Laboratory et la National Science Foundation.

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.