Un nouveau microtransistor réglable peut effectuer des tâches d’apprentissage automatique (machine learning) de l’IA en consommant à peine 1 % de l’énergie consommée par les équipements actuels.

L’apprentissage automatique de l’IA consomme tellement de puissance de calcul et d’énergie qu’il est généralement effectué dans le nuage. Mais un nouveau microtransistor, 100 fois plus efficace que la technologie actuelle, promet d’apporter de nouveaux niveaux d’intelligence aux appareils mobiles et portables.

Des chercheurs de l’université Northwestern aux Etats-Unis ont présenté leur nouveau dispositif nano-électronique dans un article publié dans la revue Nature Electronics. Il est conçu pour effectuer la tâche de classification – c’est-à-dire analyser de grandes quantités de données et tenter d’étiqueter les bits significatifs – qui constitue l’épine dorsale de nombreux systèmes d’apprentissage automatique.

« Aujourd’hui, la plupart des capteurs collectent des données et les envoient dans le Cloud, où l’analyse se fait sur des serveurs gourmands en énergie avant que les résultats ne soient finalement renvoyés à l’utilisateur », explique Mark C. Hersam, de Northwestern, auteur principal de l’étude. « Cette approche est incroyablement coûteuse, consomme beaucoup d’énergie et ajoute un délai. Notre dispositif est si économe en énergie qu’il peut être déployé directement dans des appareils électroniques portables pour la détection en temps réel et le traitement des données, ce qui permet une intervention plus rapide en cas d’urgence sanitaire. »

Alors que les transistors existants sont généralement fabriqués en silicium, ces nouveaux transistors sont construits à partir de feuilles bidimensionnelles de disulfure de molybdène et de nanotubes de carbone unidimensionnels. Leur construction leur permet d’être rapidement réglés et reconfigurés à la volée, de sorte qu’ils peuvent être utilisés pour plusieurs étapes de la chaîne de traitement des données, alors que les transistors traditionnels ne peuvent effectuer qu’une seule étape chacun.

« L’intégration de deux matériaux disparates dans un seul dispositif nous permet de moduler fortement le flux de courant avec des tensions appliquées, ce qui permet une reconfiguration dynamique », explique Mark Hersam. « Le fait de disposer d’un degré élevé d’accordabilité dans un seul dispositif nous permet d’exécuter des algorithmes de classification sophistiqués avec un faible encombrement et une faible consommation d’énergie ».

Lors des tests, ces minuscules « transistors à hétérojonction à noyau mixte » ont été entraînés à analyser des ensembles de données ECG accessibles au public et à étiqueter six types de battements cardiaques différents : normal, battement auriculaire prématuré, contraction ventriculaire prématurée, battement rythmé, battement de bloc de branche gauche et battement de bloc de branche droit.

Sur 10 000 échantillons d’ECG, les chercheurs ont pu classer correctement les battements cardiaques anormaux avec une précision de 95 % en utilisant seulement deux de ces micro-transistors, alors que l’approche actuelle d’apprentissage automatique nécessiterait plus de 100 transistors traditionnels, et ils ont utilisé environ 1 % de l’énergie.

Qu’est-ce que cela signifie ? Cela signifie qu’une fois que cette technologie sera mise en production – et nous ne savons pas encore quand – les petits appareils mobiles légers et alimentés par batterie auront l’intelligence de faire fonctionner une IA d’apprentissage automatique à partir des données de leurs propres capteurs. Cela signifie qu’ils trouveront des résultats plus rapidement que s’ils devaient envoyer des morceaux de données dans le nuage pour analyse, et que les données personnelles qu’ils collectent resteront locales, privées et sécurisées.

On ne sait pas encore si ce matériel sera strictement utile pour les appareils portables, s’il pourra traiter des données vidéo ou si ces travaux pourraient être intégrés dans des équipements d’apprentissage automatique et d’intelligence artificielle de plus grande envergure. Une réduction au centuple de la consommation d’électricité constituerait une avancée considérable pour l’apprentissage de grands modèles, par exemple.

La consommation d’énergie, et les émissions associées, montent en flèche à mesure que les entreprises du monde entier s’empressent de former des modèles de langage et des IA multimodales d’une taille insensée. En 2021 déjà, 10 à 15 % du budget énergétique total de Google étaient consacrés à l’IA, et il y a fort à parier que ce pourcentage a considérablement augmenté. Une entreprise qui fabrique des puces capables d’égaler les performances des meilleures cartes d’IA de nVidia, tout en utilisant 1 % de l’énergie, pourrait bien s’en sortir.

Cela semble peu probable ; l’équipe s’en tient à parler d’appareils mobiles dans son communiqué de presse. Quoi qu’il en soit, il s’agit d’une nouvelle avancée dans le domaine de l’intelligence informatique, qui pourrait déboucher sur une nouvelle vague d’appareils plus intelligents. Le rythme des changements en cascade continue de s’accélérer.

https://www.nature.com/articles/s41928-023-01042-7

https://news.northwestern.edu/stories/2023/10/ai-just-got-100-fold-more-energy-efficient/