Une puce neuromorphique ultra-petite apprend et corrige les erreurs de manière autonome

Les systèmes informatiques existants disposent de dispositifs de traitement et de stockage de données distincts, ce qui les rend inefficaces pour traiter des données complexes comme l’IA. Une équipe de recherche du KAIST a développé un système intégré basé sur un memristor similaire à la façon dont notre cerveau traite les informations. Il est désormais prêt à être utilisé dans divers appareils, notamment les caméras de sécurité intelligentes, qui leur permettent de reconnaître immédiatement toute activité suspecte sans avoir à s’appuyer sur des serveurs cloud distants, et les appareils médicaux avec lesquels il peut aider à analyser les données de santé en temps réel.

L'équipe de recherche conjointe du professeur Shinhyun Choi et du professeur Young-Gyu Yoon de l'École de génie électrique a développé une puce informatique ultra-compacte à base de semi-conducteurs neuromorphiques de nouvelle génération, capable d'apprendre et de corriger les erreurs par elle-même. La recherche est publiée dans la revue Nature Electronics .

La particularité de cette puce informatique est qu'elle peut apprendre et corriger les erreurs dues à des caractéristiques non idéales, difficiles à résoudre dans les dispositifs neuromorphiques existants. Par exemple, lors du traitement d'un flux vidéo , la puce apprend à séparer automatiquement un objet en mouvement de l'arrière-plan, et elle s'améliore dans cette tâche au fil du temps.

Cette capacité d'auto-apprentissage a été prouvée en atteignant une précision comparable à celle des simulations informatiques idéales dans le traitement d'images en temps réel. La principale réussite de l'équipe de recherche est d'avoir mis au point un système à la fois fiable et pratique, au-delà du développement de composants de type cérébral.

Résultats de séparation de l'arrière-plan et du premier plan d'une image contenant des caractéristiques non idéales de dispositifs à memristor (à gauche). Résultats de séparation d'images en temps réel grâce à l'apprentissage sur l'appareil à l'aide de la puce de calcul à memristor développée par notre équipe de recherche (à droite). Crédit : Adapté de Nature Electronics (2025). DOI : 10.1038/s41928-024-01318-6

Au cœur de cette innovation se trouve un dispositif semi-conducteur de nouvelle génération appelé memristor. Les caractéristiques de résistance variable de ce dispositif peuvent remplacer le rôle des synapses dans les réseaux neuronaux et, en l'utilisant, le stockage des données et le calcul peuvent être effectués simultanément, tout comme nos cellules cérébrales.

Le memristor peut contrôler avec précision les changements de résistance et a développé un système efficace qui exclut les processus de compensation complexes grâce à l'auto-apprentissage. Cette étude est importante dans la mesure où elle a vérifié expérimentalement la possibilité de commercialisation d'un système intégré basé sur un semi-conducteur neuromorphique de nouvelle génération qui prend en charge l'apprentissage et l'inférence en temps réel.

Cette technologie va révolutionner la façon dont l’intelligence artificielle est utilisée dans les appareils du quotidien, en permettant de traiter les tâches d’IA localement sans dépendre de serveurs cloud distants, les rendant ainsi plus rapides, plus respectueuses de la vie privée et plus économes en énergie.

« Ce système est comme un espace de travail intelligent où tout est à portée de main au lieu d'avoir à faire des allers-retours entre les bureaux et les classeurs », expliquent les chercheurs Hakcheon Jeong et Seungjae Han du KAIST, qui ont dirigé le développement de cette technologie. « Cela ressemble à la façon dont notre cerveau traite l'information, où tout est traité efficacement en même temps et à un seul endroit. »

La recherche a été menée avec Hakcheon Jeong et Seungjae Han, étudiants du programme intégré de master et de doctorat de la KAIST School of Electrical Engineering, qui sont co-premiers auteurs.

https://dx.doi.org/10.1038/s41928-024-01318-6

https://www.nature.com/natelectron

https://techxplore.com/news/2025-01-ultra-small-neuromorphic-chip-errors.html