Sujet
Tous les articles d’Actu.ai consacrés à Efficacité énergétique : actualités, analyses et explications sur ce sujet lié à l’intelligence artificielle. 24 articles
Des chercheurs européens explorent des jonctions tunneling magnétiques capables de réunir mémoire et traitement de l’information, à l’image des synapses biologiques. Pilotés par des signaux électriques et de brèves impulsions laser, ces composants ont atteint 93,7 % de précision sur des chiffres manuscrits en simulation.
Microsoft et l’Université de Cambridge ont conçu un prototype d’ordinateur optique analogique destiné à l’IA et aux problèmes d’optimisation. Publiée dans Nature, leur étude évoque des gains énergétiques potentiellement considérables. Mais la machine ne traite encore qu’un nombre limité de paramètres : sa capacité à changer l’échelle industrielle reste à démontrer.
Des chercheurs de l’Université de Floride ont mis au point un prototype de puce photonique consacré aux convolutions, une opération centrale de nombreuses IA. Avec ses microlentilles Fresnel et le multiplexage par longueur d’onde, il affiche une efficacité énergétique annoncée de 10 à 100 fois supérieure, tout en atteignant environ 98 % de précision sur des chiffres manuscrits.
Des chercheurs internationaux ont mis au point, avec l’aide de l’intelligence artificielle, des formules de peinture qui réfléchissent le soleil et évacuent mieux la chaleur. Testée en modélisation pour des bâtiments situés dans des climats chauds, cette approche pourrait réduire fortement les besoins de climatisation tout en accélérant la découverte de nouveaux matériaux.
Une équipe de l’Université Bar-Ilan propose une méthode d’élagage capable de retirer jusqu’à 90 % des paramètres de certaines couches de réseaux profonds. L’objectif est de réduire la mémoire, les calculs et l’énergie requis, sans dégrader la précision des résultats.
Pour l’intelligence artificielle, déplacer les données entre la mémoire et le processeur coûte du temps et de l’énergie. Des chercheurs de POSTECH ont étudié en détail une mémoire électrochimique, l’ECRAM, qui permettrait d’effectuer certains calculs là où les données sont stockées. Une avancée fondamentale, encore éloignée d’un produit grand public.
Face à la hausse des besoins de calcul de l’intelligence artificielle, une plateforme photonique sur silicium ouvre une voie vers des accélérateurs plus économes. Elle combine des composants optiques et des semi-conducteurs III-V sur une même puce afin de faire évoluer les réseaux neuronaux optiques, sans dépendre uniquement des GPU.
Des chercheurs allemands présentent une IA dite super-Turing, inspirée de la communication par impulsions du cerveau humain. La publication d’origine avance une baisse pouvant atteindre 95 % de la consommation des grands modèles de langage. Derrière cette promesse, l’informatique neuromorphique ouvre une piste sérieuse, mais encore exigeante, pour une IA plus sobre.
Des chercheurs de l’université Northwestern ont mis au point un transistor nanoélectronique capable d’imiter à la fois certaines fonctions d’un neurone et d’une synapse. Cette approche de calcul neuromorphique pourrait réduire les transferts de données et la consommation d’énergie des futurs systèmes d’IA, sous réserve de franchir plusieurs étapes industrielles.
Faire réfléchir un modèle d’IA étape par étape améliore souvent ses réponses, mais peut aussi alourdir fortement le calcul. L’approche Chain of Draft propose de conserver ce raisonnement sous une forme beaucoup plus concise. Une piste prometteuse pour réduire les tokens, la latence et les coûts, à condition d’en mesurer rigoureusement les limites.
STMicroelectronics prépare une puce photonique sur silicium destinée aux communications des data centers, développée avec Amazon Web Services. L’industriel vise des débits de 800 Gbps à 1,6 Tbps et prévoit une montée en production à Crolles au second semestre 2025. L’enjeu : faire circuler davantage de données avec une meilleure efficacité énergétique.
Pour alléger la facture énergétique de l’intelligence artificielle, des chercheurs de l’Université Tsinghua ont conçu une architecture mêlant calcul analogique et numérique. Testée sur des réseaux neuronaux, elle atteint une efficacité énergétique mesurée jusqu’à 39,2 fois supérieure à celle de multiplicateurs FP-32 standard, tout en visant des tâches exigeantes comme la détection d’objets.
Des chercheurs du FORTH ont conçu des réseaux de neurones artificiels qui s’inspirent des dendrites, les prolongements des neurones biologiques. Publiée dans Nature Communications, leur étude montre qu’une telle architecture peut rivaliser avec les réseaux classiques en reconnaissance d’images, tout en mobilisant moins de paramètres et de ressources d’apprentissage.
Pour faire fonctionner l’IA avec moins d’énergie, y compris hors des centres de données, la recherche explore le calcul neuromorphique. Inspirée de certains mécanismes du cerveau, cette approche repose sur de nouvelles puces, des mémoires capables de calculer et des outils logiciels encore à construire.
Des chercheurs de l’Université de Bonn proposent une méthode d’entraînement pour les réseaux neuronaux à impulsions, ou « spikes ». Inspirée de la communication économe des neurones biologiques, elle vise à réduire l’énergie nécessaire à l’apprentissage sans renoncer à des résultats utiles sur des tâches complexes.
La société singapourienne Firmus Technologies a reçu le prix Asia Pacific Data Centre Project of the Year pour son projet d’AI Factory. Son approche associe serveurs GPU, refroidissement immersif et optimisation de l’exploitation afin de répondre à la demande de calcul pour l’IA tout en limitant la consommation énergétique.
Des chercheurs de la Queensland University of Technology s’inspirent des cerveaux d’animaux et d’insectes pour aider les robots à mieux reconnaître les lieux. Leur système fondé sur des réseaux de neurones à impulsions exploite des séquences d’images et promet une navigation plus précise, tout en visant une consommation énergétique réduite.
Des chercheurs du MIT et d’autres institutions ont mis au point un processeur photonique capable d’exécuter sur une même puce les opérations essentielles d’un réseau de neurones. Le prototype promet une latence inférieure à 0,5 nanoseconde et une voie crédible vers une IA moins énergivore, sans faire disparaître l’électronique.
Le génome ne peut pas décrire un cerveau synapse par synapse. Pour Anthony Zador et Alexei Koulakov, cette contrainte pourrait expliquer une part de nos capacités innées et inspirer des IA plus compactes. Leur algorithme est testé sur la reconnaissance d’images et le jeu Space Invaders.
L’intelligence artificielle progresse, mais son entraînement mobilise des ressources informatiques considérables. Des chercheurs étudient une piste inspirée de l’apprentissage humain : commencer par des réseaux de neurones plus petits et des exercices gradués, afin de conserver de bonnes performances tout en limitant les besoins énergétiques.
Des chercheurs du MIT ont fabriqué des transistors tunnel tridimensionnels fondés sur des nanofils de seulement 6 nm de diamètre. En exploitant le tunnel quantique, ces composants visent à concilier commutation rapide et tension réduite, deux qualités cruciales pour l’électronique de demain, notamment les équipements dédiés à l’intelligence artificielle.
Des chercheurs de l’Université nationale de Séoul ont mis au point un composant neuromorphique en pérovskite conçu pour réaliser des calculs d’IA avec très peu d’énergie. Publiée dans Nature Nanotechnology, leur étude avance une piste pour limiter le coût énergétique des futurs objets connectés et systèmes intelligents.
Remplacer une partie des multiplications en virgule flottante par des additions d’entiers pourrait alléger fortement la facture énergétique de l’IA. Une méthode évoque jusqu’à 95 % d’énergie économisée, sous des conditions expérimentales précises. Derrière ce chiffre spectaculaire, la question est aussi celle de l’adaptation des modèles et des puces.
Un article évoque un schéma informatique capable d’améliorer l’apprentissage automatique tout en réduisant l’énergie nécessaire aux traitements de données. Faute de détails techniques publiés, cette promesse doit être mise en perspective : matériel, algorithmes, centres de données et méthodes de mesure déterminent l’impact réel.
