IA : des pérovskites neuromorphiques pour réduire la consommation des puces

L’intelligence artificielle ne dépend pas uniquement des modèles et des logiciels. Elle dépend aussi des composants électroniques qui exécutent leurs calculs, et donc de l’énergie nécessaire pour déplacer, stocker et traiter d’immenses volumes de données. Une équipe de l’Université nationale de Séoul propose une voie matérielle inspirée du cerveau : un dispositif neuromorphique à ultra-faible consommation, reposant sur des pérovskites hybrides. L’enjeu est de rendre certains traitements d’IA plus sobres dès la puce elle-même.

Publiée dans Nature Nanotechnology, cette recherche est menée notamment par le Dr Seung Ju Kim et le professeur Ho Won Jang. Elle ne décrit pas un ordinateur grand public ni une puce déjà intégrée à des produits. Elle présente en revanche une avancée de laboratoire sur un problème central de l’IA moderne : comment effectuer des calculs complexes sans faire croître dans les mêmes proportions les besoins électriques et thermiques du matériel.

Pourquoi l’IA consomme-t-elle autant d’énergie ?

Les processeurs conventionnels reposent largement sur une séparation entre la mémoire, où les données sont conservées, et l’unité de calcul, qui les transforme. Cette organisation, associée à l’architecture dite de von Neumann, est remarquablement polyvalente. Mais elle peut devenir coûteuse en énergie lorsqu’il faut transférer sans cesse de très grandes quantités de données entre mémoire et processeur.

Ce déplacement de données est particulièrement important pour l’informatique parallèle, qui fait travailler un grand nombre d’unités de calcul simultanément. Il est indispensable à de nombreuses applications, des capteurs de l’Internet des objets aux systèmes d’IA générative. Or, à mesure que les volumes de données et les modèles augmentent, la consommation électrique, la dissipation de chaleur et les émissions indirectes associées à l’électricité deviennent des sujets majeurs.

Les circuits en silicium de type CMOS, qui dominent l’électronique contemporaine, restent essentiels. Toutefois, ils rencontrent des contraintes de vitesse entre mémoire et processeur ainsi que des limites physiques lorsque la densité des composants augmente. La recherche de matériels complémentaires, capables de traiter certaines opérations plus efficacement, est donc devenue stratégique.

Le neuromorphique, une informatique inspirée du cerveau

Le terme « neuromorphique » désigne des composants et des architectures qui s’inspirent de principes de fonctionnement du système nerveux. Le cerveau humain contient environ 100 milliards de neurones reliés par quelque 100 000 milliards de connexions synaptiques. Il traite l’information grâce aux interactions entre ces neurones, tandis que la force des connexions, appelée poids synaptique dans les modèles d’IA, participe au stockage et à l’apprentissage.

Dans les réseaux de neurones artificiels, ces poids sont des valeurs numériques. Ils déterminent l’influence d’une information sur la suite du calcul. Par exemple, lors d’une reconnaissance d’image, le modèle ajuste progressivement ces paramètres pour mieux distinguer les caractéristiques utiles d’un objet ou d’un chiffre manuscrit.

L’idée du matériel neuromorphique est de confier une partie de cette représentation directement à des composants physiques. Un dispositif peut ainsi modifier sa conductance électrique, c’est-à-dire sa capacité à laisser passer le courant, pour reproduire le comportement d’un poids synaptique. En théorie, cela peut rapprocher le stockage et le traitement de l’information et réduire les transferts de données coûteux en énergie.

Le mot « inspiré » est important : ces systèmes ne reproduisent pas un cerveau humain dans toute sa complexité. Ils s’appuient sur certaines de ses propriétés, notamment le calcul massivement parallèle et la modulation graduelle des connexions, pour concevoir des circuits spécialisés.

Des pérovskites à deux dimensions au cœur du composant

Pour obtenir ce comportement, l’équipe sud-coréenne s’est intéressée à des matériaux à base de pérovskite halogénée. Les pérovskites suscitent déjà un fort intérêt dans d’autres domaines de l’électronique et de l’énergie, notamment les cellules solaires de nouvelle génération et les diodes électroluminescentes.

Dans cette étude, les chercheurs utilisent des pérovskites hybrides associant des éléments organiques et inorganiques. Leur particularité pertinente ici est la forte mobilité des ions. Dans un dispositif électronique, le déplacement contrôlé de ces ions peut modifier l’état électrique du matériau. C’est ce qui permet d’encoder et d’ajuster une information analogue à un poids synaptique.

L’équipe met en avant des pérovskites à deux dimensions, capables de favoriser une répartition uniforme des ions à la surface du semi-conducteur. Cette uniformité constitue un point technique crucial. Dans certains matériaux utilisés pour les composants neuromorphiques, les ions peuvent se concentrer dans des chemins localisés, souvent qualifiés de filaments. Ce phénomène rend le comportement du composant plus difficile à contrôler et à reproduire.

Pourquoi des poids synaptiques réguliers sont-ils essentiels ?

Pour qu’un matériel neuromorphique soit utile, il ne suffit pas qu’il consomme peu. Il doit aussi pouvoir modifier ses états électriques de façon prévisible. Lorsqu’un réseau de neurones artificiels apprend ou exécute une tâche, ses poids doivent être ajustés de manière précise. Si l’augmentation et la diminution de ces poids sont irrégulières, asymétriques ou instables, la qualité des résultats peut se dégrader.

La percée revendiquée par l’équipe consiste en un contrôle linéaire et symétrique des poids synaptiques. Autrement dit, le composant doit pouvoir faire évoluer ces paramètres de façon graduelle et comparable dans les deux sens, pour renforcer ou affaiblir une connexion artificielle. Selon les chercheurs, cette propriété n’avait pas été obtenue de cette manière avec les semi-conducteurs intelligents conventionnels.

Les principes théoriques de cette méthode ont été examinés par une équipe de l’Université POSTECH, à l’aide de calculs fondamentaux. Ce travail associe donc l’expérimentation sur le matériau et la modélisation, une combinaison nécessaire pour comprendre pourquoi la distribution des ions améliore le comportement électrique observé.

Quels résultats sur MNIST, CIFAR et ImageNet ?

L’étude ne se limite pas aux propriétés électriques du matériau. Les chercheurs ont aussi évalué les conséquences de leur dispositif pour des calculs d’IA sur plusieurs jeux de données de référence. Parmi eux figurent MNIST, consacré à la reconnaissance de chiffres manuscrits, et CIFAR, couramment employé pour tester des tâches de classification d’images. L’équipe cite également ImageNet, un ensemble de données de bien plus grande ampleur, devenu une référence historique de la vision par ordinateur.

Les auteurs rapportent une précision élevée dans ces évaluations, avec une marge d’erreur inférieure à 0,08 % dans les calculs mentionnés. Ce résultat doit être interprété dans son cadre : il témoigne du potentiel du contrôle synaptique du composant pour ces expériences et simulations de réseau. Il ne signifie pas que la technologie est prête à remplacer tous les accélérateurs d’IA existants, ni qu’elle garantit le même avantage pour chaque modèle, chaque jeu de données ou chaque produit.

La distinction est importante. Les performances d’un système complet dépendront aussi de l’intégration avec la mémoire, des circuits de commande, de la fabrication à grande échelle et de la stabilité des matériaux dans le temps. La publication apporte une pièce au puzzle matériel, pas une solution industrielle achevée.

Une promesse énergétique étudiée du composant au réseau

Les travaux menés en collaboration avec l’Université de Californie du Sud indiquent que des calculs d’IA peuvent être exécutés avec une consommation ultrafaible, à la fois à l’échelle du dispositif et à celle d’un réseau. Ce double niveau d’analyse est déterminant : un composant peut être très économe isolément, mais perdre cet avantage lorsqu’il est intégré à une architecture plus vaste.

Les applications évoquées, comme la conduite autonome, le diagnostic médical et l’Internet des objets, partagent une même contrainte : elles ont besoin de traiter rapidement des données, souvent près du capteur ou dans un équipement soumis à une enveloppe énergétique limitée. Une caméra embarquée, un capteur connecté ou un instrument médical ne disposent pas nécessairement de la puissance électrique et du refroidissement d’un centre de données.

Dans ces cas, exécuter localement certains calculs, plutôt que transmettre systématiquement les données vers des serveurs distants, peut présenter un intérêt. Le matériel neuromorphique ne répondra pas nécessairement à tous les besoins de l’IA générative ou du calcul intensif. Il pourrait en revanche devenir pertinent pour des opérations spécialisées, répétitives et sensibles à la consommation électrique.

Des brevets examinés, mais des défis de fabrication à résoudre

Cette recherche prolonge des travaux antérieurs du Dr Seung Ju Kim et du professeur Ho Won Jang. Elle suscite un intérêt particulier dans l’industrie des semi-conducteurs, où l’optimisation de chaque étape du traitement devient cruciale. Des demandes de brevets sont alors examinées en Corée du Sud et aux États-Unis.

Le professeur Ho Won Jang souligne que « cette recherche offre des données fondamentales essentielles pour résoudre les problèmes fondamentaux des dispositifs semi-conducteurs intelligents de nouvelle génération ». La formulation résume bien le statut de l’avancée : les données de recherche sont prometteuses, mais la route vers des puces diffusées à grande échelle comporte encore plusieurs étapes.

Il faudra notamment vérifier la fiabilité à long terme du matériau, sa reproductibilité d’un composant à l’autre, les possibilités de miniaturisation et sa compatibilité avec les procédés de fabrication existants. L’intégration avec les systèmes électroniques actuels sera également décisive. Un matériau performant en laboratoire doit pouvoir être produit de manière stable, à coût maîtrisé et dans des volumes suffisants.

Ce qu’il faut surveiller

La question centrale sera de savoir si les propriétés observées sur ce dispositif peuvent être conservées lors du passage à des réseaux plus grands et à des systèmes complets. L’uniformité de la mobilité ionique, qui constitue ici l’innovation mise en avant, devra rester robuste malgré la multiplication des composants et des cycles de fonctionnement.

Il faudra aussi comparer cette approche avec les autres voies explorées pour rendre l’IA plus efficiente : optimisation logicielle, circuits spécialisés, mémoire intégrée au calcul et amélioration des procédés de fabrication. Il n’existe pas de réponse unique à l’empreinte énergétique de l’IA. Les gains les plus importants proviendront probablement d’un ensemble de progrès, depuis les algorithmes jusqu’aux matériaux.

L’étude de l’Université nationale de Séoul rappelle néanmoins un point essentiel : l’avenir d’une IA plus sobre ne se joue pas seulement dans la taille des modèles. Il se joue également à l’échelle microscopique, dans la façon dont les électrons et les ions circulent à l’intérieur des futurs semi-conducteurs.