L’équipe de recherche du Dr Seongsik Park au KIST présente les détails de l’étude A2SG aux chercheurs lors de la session d’affichage de l’ICML qui se tient au COEX à Séoul. Crédit : Institut coréen des sciences et technologies (KIST)
Si le fait de poser des questions à ChatGPT et à des outils similaires pour générer des images est devenu une pratique courante, cette facilité d’utilisation cache une consommation énergétique massive due à l’immensité des centres de données.
Face à l’émergence des problèmes énergétiques comme défi sociétal, les géants mondiaux de la technologie s’orientent vers le développement de « semi-conducteurs neuromorphiques » à faible consommation qui imitent le cerveau humain, et la Corée du Sud a également désigné les « semi-conducteurs d’IA » comme une technologie prioritaire dans son cadre technologique stratégique national afin de garantir son autonomie.
Le cerveau humain fonctionne avec un minimum d’énergie en n’échangeant des signaux que lorsque cela est nécessaire. Les réseaux de neurones à impulsions (SNN) , inspirés du cerveau humain, consomment beaucoup moins d’énergie que l’IA conventionnelle, mais ils peinent à égaler les performances des réseaux de neurones profonds (DNN), qui constituent le fondement des systèmes d’IA actuels comme ChatGPT.
Une équipe de recherche dirigée par le chercheur principal Seongsik Park de la division de recherche sur les technologies des semi-conducteurs de l’Institut coréen des sciences et technologies (KIST) a développé « A²SG », une nouvelle technique d’apprentissage qui améliore les performances d’apprentissage des SNN.
(De gauche à droite) Seongsik Park, chercheur principal (auteur correspondant), Kang Yechan, étudiant en master (premier auteur), et Park Sohee, étudiante en master (co-auteure), posent pour une photo souvenir lors de la session d’affichage de la conférence ICML 2026 qui s’est tenue au COEX de Séoul. Crédit : Institut coréen des sciences et technologies (KIST)
Les recherches ont été présentées à la conférence COEX, Séoul (6-11 juillet), et publiées sur le serveur de prépublication arXiv .
L’A²SG développé par l’équipe de recherche a été appliqué à un réseau neuronal à impulsions (SNN) à grande échelle basé sur le transformateur, l’architecture de base de ChatGPT, et a atteint une précision de pointe mondiale pour les réseaux neuronaux à impulsions dans l’évaluation de reconnaissance d’images ImageNet à grande échelle.
L’intelligence artificielle affine ses modèles en résolvant des problèmes, en vérifiant les résultats et en trouvant itérativement de meilleures solutions. Dans ce processus, les « gradients » indiquent la direction et l’ampleur des ajustements à apporter à chaque modèle.
Cependant, comme les réseaux de neurones à impulsions (SNN) échangent des signaux différemment des réseaux de neurones profonds (DNN), il était difficile d’affiner correctement le modèle en utilisant uniquement les gradients employés dans les DNN conventionnels. A²SG a amélioré les performances d’apprentissage en combinant une approche « adaptative » — qui ajuste la méthode d’ajustement en fonction du contexte d’apprentissage — avec une approche « asymétrique » qui reflète les caractéristiques des neurones cérébraux.
A²SG se distingue également par ses performances exceptionnelles à moindre coût. Il atteint une précision supérieure tout en nécessitant six fois moins de ressources de calcul que la méthode d’entraînement de référence de Google, et démontre des améliorations constantes de ses performances sur un large éventail d’architectures et d’applications de réseaux neuronaux, des petits aux grands modèles, prouvant ainsi sa polyvalence.
L’intelligence artificielle conventionnelle (DNN) présente un paysage d’apprentissage progressif (à gauche). Les figures du milieu et de droite illustrent le même paysage d’apprentissage pour un réseau de neurones à impulsions (SNN), où le chemin de recherche varie selon la méthode d’apprentissage utilisée. Alors que la méthode conventionnelle atteint un point abrupt et accidenté (au milieu), A²SG atteint un point plat, ce qui se traduit par des performances améliorées (à droite). Chaque figure représente le terrain autour du point atteint lors de l’apprentissage. Crédit : Institut coréen des sciences et technologies (KIST)
Cette réalisation est importante car KIST a ainsi acquis une technologie de base dans le domaine des algorithmes d’apprentissage de l’IA neuromorphique, un domaine auparavant dominé par les universités et les géants technologiques mondiaux.
Étant donné que l’A²SG peut être implémenté uniquement par logiciel, sans aucune modification matérielle, il peut être appliqué à des applications à faible consommation d’énergie telles que l‘IA embarquée dans les smartphones, les appareils portables et les drones, ainsi que les capteurs intelligents fonctionnant 24 heures sur 24.
L’équipe de recherche prévoit de commercialiser des semi-conducteurs d’IA basse consommation après l’entraînement et la vérification à grande échelle de modèles sur du matériel neuromorphique. Elle entend également appliquer la technologie d’algorithme d’entraînement acquise au développement de modèles d’IA pour les semi-conducteurs d’IA de nouvelle génération, tels que l’unité de traitement aléatoire (RPU) probabiliste actuellement en développement au KIST.
Park, chercheur principal au KIST, a déclaré : « Cette recherche s’attaque aux défis structurels de l’apprentissage qui avaient entravé l’amélioration des performances de l’IA neuromorphique, augmentant ainsi le potentiel d’application pratique de l’IA à faible consommation d’énergie. »
(a) Intervalles de validité du gradient de substitution et de la forme de la fonction asymétrique (ASY). (b) Fonctionnement du gradient de substitution adaptatif spatio-temporel : détection en temps réel des changements dans l’espace d’apprentissage et auto-correction en conséquence. (c) Schéma illustrant le voisinage du point atteint par le processus d’entraînement avant et après application de l’A²SG à l’espace de perte. Crédit : Institut coréen des sciences et technologies (KIST).
Il a ajouté : « À l’avenir, nous développerons cette technologie de base en modèles d’IA fonctionnant sur des semi-conducteurs d’IA de nouvelle génération, contribuant ainsi à l’avènement de l’ère de l’IA à faible consommation d’énergie. »
L’Institut des semi-conducteurs post-silicium du KIST prévoit de lier cette réalisation à ses recherches sur les semi-conducteurs d’IA de nouvelle génération afin de sécuriser les technologies fondamentales pour les semi-conducteurs intelligents à haut rendement et de renforcer les bases de l’autonomie technologique.
https://techxplore.com/news/2026-08-neuromorphic-ai-technique-usher-era.html
