Un prototype d'ordinateur neuromorphique apprend des modèles avec moins de calculs que l'IA traditionnelle

Les ordinateurs pourraient-ils un jour apprendre comme les humains, sans dépendre de systèmes d'intelligence artificielle (IA) qui nécessitent une formation extrêmement coûteuse ? L'informatique neuromorphique pourrait bien être la solution.

Cette technologie émergente utilise un matériel informatique inspiré du cerveau, capable d'effectuer des tâches d'IA avec une efficacité bien supérieure, nécessitant beaucoup moins de calculs d'entraînement et consommant beaucoup moins d'énergie que les systèmes conventionnels. Par conséquent, les ordinateurs neuromorphiques ont également le potentiel de réduire la dépendance aux centres de données énergivores et de rendre l'inférence et l'apprentissage de l'IA accessibles sur les appareils mobiles.

Le Dr Joseph S. Friedman , professeur associé de génie électrique et informatique à l'Université du Texas à Dallas, et son équipe de chercheurs du laboratoire NeuroSpinCompute ont franchi une étape importante dans la construction d'un ordinateur neuromorphique en créant un prototype à petite échelle capable d'apprendre des modèles et d'effectuer des prédictions avec moins de calculs d'entraînement que les systèmes d'IA classiques. Leur prochain défi consiste à étendre ce prototype à des échelles plus importantes.

« Comme les ordinateurs neuromorphiques n’ont pas besoin d’une quantité massive de calculs d’apprentissage, ils pourraient alimenter des appareils intelligents sans engendrer de coûts énergétiques importants. » Dr Joseph S. Friedman, professeur agrégé de génie électrique et informatique

« Nos travaux ouvrent une nouvelle voie potentielle pour la conception d'ordinateurs neuromorphiques capables d'apprendre de manière autonome », a déclaré Friedman. « Comme ces ordinateurs n'ont pas besoin d'une quantité massive de calculs d'apprentissage, ils pourraient alimenter des appareils intelligents sans consommer énormément d'énergie. »

L'équipe a décrit le prototype dans une étude publiée en ligne le 4 août dans la revue Nature Communications Engineering, en collaboration avec des chercheurs d'Everspin Technologies Inc. et de Texas Instruments . Friedman est co-auteur principal de l'étude, avec le Dr Sanjeev Aggarwal, président-directeur général d'Everspin.

Les ordinateurs classiques et les unités de traitement graphique (GPU) séparent le stockage en mémoire du traitement de l'information. De ce fait, ils ne peuvent pas effectuer d'inférences d'IA aussi efficacement que le cerveau humain. Ils nécessitent également d'importantes quantités de données étiquetées et un nombre considérable de calculs d'apprentissage complexes. Le coût de ces calculs d'apprentissage peut atteindre des centaines de millions de dollars.

Une station de test est utilisée pour tester de petits dispositifs neuromorphiques dans le laboratoire du Dr Joseph Friedman.

Les ordinateurs neuromorphiques intègrent le stockage de données au traitement, ce qui leur permet d'effectuer des opérations d'IA avec une efficacité accrue et à moindre coût. Le matériel neuromorphique s'inspire du cerveau, où des réseaux de neurones et de synapses traitent et stockent respectivement l'information. Les synapses forment les connexions entre les neurones, se renforçant ou s'affaiblissant selon les schémas d'activité. Cela permet au cerveau de s'adapter en permanence au fur et à mesure de son apprentissage.

L'approche de Friedman s'appuie sur un principe proposé par le neuropsychologue Dr Donald Hebb, appelé loi de Hebb : les neurones qui s'activent ensemble se connectent ensemble.

« Le principe que nous utilisons pour qu'un ordinateur apprenne par lui-même est le suivant : si un neurone artificiel provoque l'activation d'un autre neurone artificiel, la synapse qui les relie devient plus conductrice », a expliqué Friedman.

L'une des principales innovations du dispositif de Friedman réside dans l'utilisation de jonctions tunnel magnétiques (JTM), des dispositifs nanométriques constitués de deux couches de matériau magnétique séparées par une couche isolante. Les électrons peuvent traverser cette barrière, par effet tunnel, plus facilement lorsque les aimantations des couches sont alignées dans la même direction, et plus difficilement lorsqu'elles sont alignées dans des directions opposées.

Dans les systèmes neuromorphiques, les jonctions tunnel-métamorphiques (MTJ) peuvent être interconnectées en réseaux pour imiter la façon dont le cerveau traite et apprend les schémas. Lorsque les signaux traversent les MTJ de manière coordonnée, leurs connexions s'ajustent pour renforcer certaines voies, à l'instar des connexions synaptiques cérébrales qui se renforcent lors de l'apprentissage. La commutation binaire des MTJ leur confère une grande fiabilité pour le stockage de l'information, résolvant ainsi un problème qui a longtemps freiné les approches neuromorphiques alternatives.

https://news.utdallas.edu/science-technology/neuromorphic-computer-2025/