L'efficacité de l'IA progresse grâce à une puce mémoire spintronique qui combine stockage et traitement.
infohightech ·
Pour effectuer des prédictions précises et mener à bien les tâches souhaitées, la plupart des systèmes d'intelligence artificielle (IA) doivent analyser rapidement de grandes quantités de données. Cela implique actuellement le transfert de données entre les unités de traitement et de mémoire, qui sont distinctes dans les appareils électroniques existants.
Ces dernières années, de nombreux ingénieurs se sont efforcés de développer de nouveaux matériels capables d'exécuter plus efficacement les algorithmes d'IA : les systèmes de calcul en mémoire (CIM: compute-in-memory). Ces systèmes sont des composants électroniques qui peuvent à la fois effectuer des calculs et stocker des informations, servant généralement à la fois de processeurs et de mémoires non volatiles. Le terme « non volatile » signifie qu'ils conservent les données même lorsqu'ils sont hors tension.
La plupart des architectures CIM présentées jusqu'à présent reposent sur des méthodes de calcul analogiques, qui permettent aux dispositifs d'effectuer des calculs à l'aide du courant électrique. Malgré leur bonne efficacité énergétique, les techniques de calcul analogiques sont reconnues pour être nettement moins précises que les méthodes de calcul numériques et peinent souvent à gérer de manière fiable les grands modèles d'IA ou les volumes importants de données.
Des chercheurs de l'Université des sciences et technologies du Sud, de l'Université Jiaotong de Xi'an et d'autres instituts ont récemment mis au point une nouvelle puce CIM prometteuse qui pourrait permettre d'exécuter des modèles d'IA plus rapidement et avec une consommation d'énergie plus faible.
Leur système proposé, décrit dans un article publié dans Nature Electronics , est basé sur une mémoire magnétique à accès aléatoire à couple de transfert de spin (STT-MRAM), un dispositif spintronique capable de stocker des unités binaires d'information (c'est-à-dire des 0 et des 1) dans l'orientation magnétique de l'une de ses couches sous-jacentes.
Utiliser la spintronique pour exécuter l'IA plus efficacement
Les dispositifs STT-MRAM, comme celui utilisé par cette équipe de recherche, sont essentiellement constitués d'une structure minuscule appelée jonction tunnel magnétique (MTJ). Cette structure comporte trois couches : une couche magnétique à orientation fixe, une couche magnétique à orientation variable et une fine couche isolante séparant les deux autres.
Lorsque les deux couches magnétiques sont parallèles, les électrons peuvent traverser facilement le dispositif par effet tunnel. En revanche, lorsqu'elles sont opposées, la résistance augmente et la circulation des électrons devient plus difficile. Les dispositifs STT-MRAM exploitent ces deux états différents pour stocker des données binaires.
« Les macros CIM non volatiles (c’est-à-dire des modules fonctionnels préconçus à l’intérieur d’une puce qui peuvent à la fois traiter et stocker des données) peuvent réduire le transfert de données entre les unités de traitement et de mémoire, fournissant des calculs d’intelligence artificielle rapides et économes en énergie », ont écrit Humiao Li, Zheng Chai et leurs collègues dans leur article.
« Cependant, l'architecture CIM non volatile repose généralement sur le calcul analogique, limité en termes de précision, d'évolutivité et de robustesse. Nous présentons une macro de calcul numérique non volatile en mémoire de 64 kb basée sur la technologie STT-MRAM 40 nm. »
Un pas vers un matériel d'IA plus évolutif
Le module basé sur la technologie STT-MRAM, mis au point par les chercheurs, permet d'effectuer des calculs et de stocker des bits de manière fiable, le tout au sein d'un seul dispositif. Lors des premiers tests, ses performances ont été remarquables : il a exécuté deux types distincts de réseaux neuronaux avec une vitesse et une précision exceptionnelles.
« Notre macro propose une multiplication et une numérisation in situ au niveau de la cellule binaire, une addition et une accumulation numériques à précision reconfigurable au niveau macro, ainsi qu'un schéma d'apprentissage prenant en compte la fréquence de basculement au niveau de l'algorithme », écrivent les auteurs. « La macro prend en charge les multiplications matrice-vecteur sans perte avec des précisions d'entrée et de poids flexibles (4, 8, 12 et 16 bits), et peut atteindre une précision d'inférence équivalente à celle d'un logiciel pour un réseau résiduel à une précision de 8 bits et pour des réseaux neuronaux informés par la physique à une précision de 16 bits. »
« Notre macro présente des latences de calcul de 7,4 à 29,6 ns et des efficacités énergétiques de 7,02 à 112,3 téra-opérations par seconde par watt pour des multiplications matrice-vecteur entièrement parallèles sur des configurations de précision allant de 4 à 16 bits. »
À l'avenir, le module CIM récemment mis au point par l'équipe pourrait contribuer au déploiement écoénergétique de l'IA directement sur les appareils portables, sans dépendre de grands centres de données. Dans les prochaines années, il pourrait également inspirer le développement de systèmes CIM similaires basés sur des STT-MRAM ou d'autres dispositifs spintroniques.
https://techxplore.com/news/2025-10-ai-efficiency-advances-spintronic-memory.html