Des jonctions magnétiques imitent les synapses pour économiser l’énergie de l’IA

L’intelligence artificielle ne se joue pas seulement dans les logiciels et les centres de données. Elle se joue aussi dans la matière, à l’échelle de structures bien plus petites qu’un cheveu. Alors que les besoins de calcul augmentent, chercheurs et industriels cherchent des composants capables d’effectuer certaines tâches d’IA avec moins de transferts de données et, à terme, moins d’énergie. Une équipe européenne propose pour cela de s’inspirer d’un mécanisme central du cerveau : la synapse.

Les travaux menés par la docteure Tahereh Sadat Parvini et le professeur Markus Münzenberg, avec des chercheurs de plusieurs pays européens, portent sur les jonctions tunneling magnétiques, souvent désignées par l’acronyme anglais MTJ. Ces composants nanométriques peuvent à la fois conserver un état et participer au traitement d’un signal. Associés à une commande opto-électrique, ils pourraient former les briques d’un calcul neuromorphique, c’est-à-dire d’une électronique dont certains principes rappellent l’organisation des réseaux neuronaux biologiques.

Le résultat le plus concret rapporté par l’étude est une simulation de reconnaissance de chiffres manuscrits : le réseau neuromorphique basé sur ces jonctions a atteint 93,7 % de précision. Ce chiffre ne signifie pas que la technologie est prête à remplacer les processeurs des ordinateurs ou des téléphones. Il montre en revanche qu’un composant magnétique peut reproduire des fonctions utiles au calcul neuronal, tout en offrant une piste pour limiter les dépenses énergétiques liées aux échanges incessants entre mémoire et processeur.

Pourquoi les processeurs classiques peinent-ils face à l’IA ?

Les ordinateurs conventionnels séparent généralement le stockage des données et leur traitement. La mémoire conserve les informations, tandis que le processeur les manipule. Pour réaliser un calcul, les données doivent donc circuler de l’un à l’autre. Cette organisation, extrêmement efficace pour de nombreuses applications, devient plus coûteuse lorsque les opérations sont très nombreuses et que de grands volumes de données doivent être déplacés en continu.

C’est un enjeu particulièrement visible en intelligence artificielle. Lorsqu’un réseau de neurones traite une image, un son ou du texte, il doit multiplier des valeurs et les additionner à très grande échelle. Dans une architecture classique, ces opérations mobilisent des composants de calcul, de la mémoire et des interconnexions. Or le déplacement des données lui-même consomme de l’énergie et peut ralentir le traitement.

Le cerveau adopte une logique différente. Les neurones y sont reliés par des synapses, des connexions dont l’efficacité peut évoluer en fonction de l’activité. Une synapse ne correspond pas exactement à un composant électronique, et un cerveau ne fonctionne pas comme une puce. Mais cette proximité entre mémoire, communication et calcul inspire le calcul neuromorphique.

L’objectif n’est pas nécessairement de reproduire chaque détail biologique. Il s’agit de concevoir des circuits qui exploitent des propriétés physiques, comme le magnétisme, pour traiter l’information de manière plus locale et plus frugale.

Qu’est-ce qu’une jonction tunneling magnétique ?

Une jonction tunneling magnétique est un empilement minuscule de couches de matériaux. Deux couches magnétiques sont séparées par une barrière isolante très fine. À cette échelle, des électrons peuvent traverser cette barrière par un phénomène quantique appelé effet tunnel.

Le passage du courant dépend notamment de l’orientation relative de l’aimantation des deux couches magnétiques. Lorsque leurs orientations changent, la résistance électrique de la jonction évolue. Cette propriété rend les MTJ intéressantes pour représenter des états binaires ou graduels et pour développer des fonctions de mémoire.

Dans le cadre du calcul neuromorphique, leur intérêt est plus large. Une jonction peut fournir une réponse électrique modulable, conserver un état et réagir à une stimulation. Ce sont précisément des caractéristiques recherchées pour imiter, de façon simplifiée, une synapse, dont le rôle consiste à moduler la transmission de l’information entre neurones.

Cette analogie doit être prise avec précision. Une MTJ n’est pas une synapse vivante et ne reconstitue pas la complexité du système nerveux. Elle peut toutefois reproduire certaines fonctions physiques utiles, notamment une variation contrôlée du signal de sortie et l’apparition d’impulsions.

Comment l’excitation opto-électrique imite-t-elle une synapse ?

L’originalité des travaux réside dans un schéma d’excitation hybride opto-électrique. Les chercheurs combinent un courant électrique à de courtes impulsions laser. Cette association produit dans les jonctions tunneling magnétiques des tensions thermoélectriques élevées.

Une tension thermoélectrique apparaît lorsqu’il existe une différence de température dans un matériau ou entre plusieurs matériaux. Dans cette expérience, les impulsions laser constituent un moyen de provoquer rapidement une excitation thermique, tandis que le courant électrique apporte un second levier de contrôle. L’ensemble permet d’agir avec finesse sur la réponse du composant.

Selon l’étude, cette méthode met en évidence trois propriétés particulièrement utiles pour une électronique inspirée du cerveau :

• Une tension ajustable, qui peut jouer le rôle d’un poids synaptique. Dans un réseau de neurones artificiels, ce poids détermine l’influence d’un signal sur le suivant.
• Des signaux de type spike spontanés, comparables dans leur principe aux impulsions qui participent à la communication entre cellules nerveuses.
• Un comportement exploitable en réseau, validé ici par des simulations de reconnaissance de chiffres manuscrits.

Le mot « spontané » ne signifie pas que la jonction agit sans condition ni commande. Il décrit l’apparition de ces signaux dans le comportement du dispositif une fois soumis au protocole d’excitation étudié. Pour les concepteurs de circuits neuromorphiques, ce type de dynamique est intéressant : plutôt que de manipuler en permanence des valeurs numériques avec des circuits classiques, il devient possible d’exploiter les réponses physiques propres au matériau.

93,7 % de précision : ce que mesure réellement ce résultat

L’étude rapporte une précision de 93,7 % dans une tâche de reconnaissance de chiffres manuscrits simulée par ordinateur. Les chiffres manuscrits constituent un test courant pour évaluer la capacité d’un système de reconnaissance à distinguer des formes visuelles simples, malgré les différences d’écriture entre personnes.

Ce résultat sert avant tout à démontrer qu’un réseau s’appuyant sur les propriétés observées des MTJ peut réaliser une tâche d’apprentissage automatique. Il ne permet pas, à lui seul, de comparer directement cette solution aux meilleures puces spécialisées ni aux modèles d’IA utilisés dans les grands services en ligne.

Plusieurs éléments doivent être distingués : la physique du composant, les performances d’un réseau simulé et la fabrication d’une puce complète sont trois étapes différentes. La recherche présentée se situe dans une démarche de preuve de potentiel, où les caractéristiques d’une jonction sont traduites en comportement de réseau afin d’évaluer leur intérêt algorithmique.

Pourquoi cette piste pourrait réduire la consommation énergétique

Le bénéfice énergétique attendu vient de l’architecture elle-même. Si un composant peut contribuer simultanément au stockage et au traitement de l’information, il devient envisageable de réduire certains allers-retours de données entre des blocs matériellement séparés. C’est l’un des principes clés du calcul en mémoire et des approches neuromorphiques.

Les MTJ possèdent ici deux atouts mis en avant par les chercheurs. D’une part, leur taille nanométrique pourrait permettre des circuits compacts. D’autre part, leur réponse est contrôlable par une combinaison de signaux électriques et optiques, ce qui offre un moyen d’ajuster la fonction synaptique sans recourir à une architecture de calcul classique pour chaque opération.

Il convient néanmoins de ne pas confondre promesse et bilan chiffré. L’étude souligne une plateforme potentiellement compacte et économe en énergie, mais les informations rapportées ne donnent pas de consommation complète en joules, ni de comparaison directe avec un processeur conventionnel à tâche identique. Une évaluation exhaustive devrait inclure la commande électrique, la production des impulsions laser, l’intégration des composants et les échanges avec le reste du système.

Une compatibilité prometteuse avec les semi-conducteurs existants

L’un des obstacles majeurs des innovations matérielles est leur passage du laboratoire à l’usine. Une technologie peut être remarquable sur un échantillon expérimental, mais rester difficile à intégrer dans les chaînes de production existantes. Les auteurs soulignent que leur approche est compatible avec les technologies actuelles des semi-conducteurs, un point important pour envisager des applications futures.

Cette compatibilité ne garantit pas une commercialisation rapide. Elle indique plutôt que les MTJ ne nécessitent pas de rompre entièrement avec l’écosystème industriel des puces. Si leur intégration est confirmée à plus grande échelle, elles pourraient intéresser aussi bien des appareils électroniques du quotidien que des systèmes de calcul haute performance.

Les usages potentiels dépendent du type de circuit qui pourra être construit. Des composants sobres et capables de traiter localement des signaux seraient particulièrement pertinents lorsque transmettre les données vers un serveur distant n’est pas souhaitable ou pratique. On peut penser à des systèmes embarqués devant prendre rapidement des décisions à partir de capteurs, mais aussi à des accélérateurs dédiés à certaines étapes de l’apprentissage automatique.

Ce qu’il faut surveiller

La prochaine étape sera de sortir du seul cadre de la simulation et des composants isolés pour évaluer des réseaux matériels plus vastes. Les chercheurs devront notamment montrer comment contrôler de nombreuses jonctions de manière reproductible, comment les connecter et comment préserver les propriétés synaptiques observées lorsqu’elles sont intégrées dans un circuit complet.

La place de l’optique constituera aussi un enjeu concret. Les brèves impulsions laser sont centrales dans le schéma étudié, car elles génèrent les tensions thermoélectriques recherchées. Pour devenir une solution pratique, cette commande devra être compatible avec une architecture compacte et avec le bilan énergétique visé à l’échelle d’un système entier.

Enfin, les performances devront être testées sur davantage de tâches que la reconnaissance de chiffres manuscrits. La précision de 93,7 % offre une première démonstration encourageante, mais les applications réelles demanderont de la robustesse, de la vitesse, une consommation mesurée et des méthodes de fabrication adaptées à la production de masse.

Ces jonctions tunneling magnétiques ne transforment donc pas encore les ordinateurs en cerveaux artificiels. Elles apportent toutefois une pièce crédible à un chantier essentiel de l’IA : inventer des matériels qui ne se contentent pas de calculer plus vite, mais qui calculent aussi avec une dépense énergétique mieux maîtrisée.