Calcul en mémoire : l’ECRAM de POSTECH veut lever le frein des transferts de données

L’intelligence artificielle ne se heurte pas seulement aux limites de la puissance de calcul : elle bute aussi sur un problème très concret, celui du déplacement des données. Dans les ordinateurs conventionnels, les informations doivent faire sans cesse l’aller-retour entre une mémoire, où elles sont stockées, et un processeur, où elles sont traitées. À mesure que les modèles d’IA manipulent davantage de paramètres et de données, ces transferts deviennent une source majeure de lenteur et de consommation électrique.

Des chercheurs de la Pohang University of Science and Technology (POSTECH), en Corée du Sud, apportent un éclairage important sur une piste technologique conçue pour contourner cette difficulté : le calcul en mémoire. Leur travail porte sur une mémoire électrochimique appelée ECRAM, pour Electrochemical Random-Access Memory. L’idée est simple dans son principe, mais exigeante dans sa réalisation : faire effectuer une partie des calculs directement dans le composant qui conserve l’information.

L’étude, menée par l’équipe du professeur Seyoung Kim et du docteur Hyunjeong Kwak, ne présente pas un processeur prêt à équiper les téléphones ou les ordinateurs portables. Elle décrit plutôt les mécanismes physiques qui pourraient rendre ces composants fiables et efficaces. En particulier, les chercheurs ont identifié le rôle des lacunes d’oxygène dans la circulation des électrons au sein d’un dispositif ECRAM en oxyde de tungstène.

Pourquoi les transferts de données freinent-ils l’IA ?

La plupart des ordinateurs reposent sur une séparation nette entre le calcul et le stockage. Le processeur exécute les opérations, tandis que la mémoire conserve temporairement les données et les instructions. Cette organisation est extrêmement efficace pour de nombreux usages, mais elle devient coûteuse quand il faut répéter, des milliards de fois, des opérations sur de grands tableaux de nombres.

C’est précisément le cas de nombreux calculs d’intelligence artificielle. Lorsqu’un réseau de neurones réalise une prédiction, il multiplie et additionne des valeurs associées à ses paramètres, souvent appelés poids. Si ces valeurs sont stockées à un endroit et calculées à un autre, leur circulation peut devenir un goulot d’étranglement : le système attend les données ou dépense de l’énergie pour les transporter.

Le calcul en mémoire ne signifie donc pas qu’un ordinateur n’aurait plus besoin de processeur. Il vise plutôt à confier certains calculs particulièrement répétitifs à la mémoire elle-même, en complément des architectures existantes. Les opérations de multiplication et d’accumulation, centrales dans les réseaux de neurones, sont parmi les candidates les plus naturelles à cette approche.

Qu’est-ce qu’une ECRAM ?

L’ECRAM est une forme de mémoire électrochimique. À la différence d’une mémoire numérique classique, qui repose généralement sur des états distincts correspondant à des 0 et des 1, elle peut moduler progressivement une propriété électrique du dispositif. Cette caractéristique est particulièrement intéressante pour représenter des valeurs analogiques, comme les poids d’un réseau de neurones.

Dans une ECRAM, le déplacement d’ions modifie l’état électrique du matériau actif. Cette variation permet d’écrire, de conserver et d’ajuster une valeur. Lorsque les dispositifs sont organisés en réseau croisé, ou crossbar, leur fonctionnement peut rappeler de façon très simplifiée celui de synapses biologiques : chaque point d’intersection peut porter une valeur et contribuer à une opération collective.

Cette analogie avec le cerveau ne doit toutefois pas être prise au pied de la lettre. Une puce neuromorphique ne reproduit pas un cerveau humain. Elle cherche à exploiter une propriété utile des réseaux de neurones biologiques, à savoir le fait que stockage et traitement de l’information y sont étroitement liés.

Pour l’IA, l’intérêt théorique est double : réduire la quantité de données déplacées et exécuter de nombreux calculs en parallèle. Mais obtenir une mémoire analogique suffisamment précise, stable, reproductible et compatible avec une production industrielle demeure un défi considérable.

Ce que les chercheurs de POSTECH ont observé

L’équipe de POSTECH s’est intéressée à ce qui se passe à l’intérieur d’un ECRAM lorsqu’il change d’état. Les composants de ce type peuvent être complexes à analyser, notamment lorsqu’ils utilisent des matériaux très résistifs. Comprendre leur comportement interne est pourtant indispensable avant d’envisager une intégration fiable dans des circuits de calcul.

Les chercheurs ont conçu un dispositif ECRAM à structure multi-terminal utilisant de l’oxyde de tungstène. Cette configuration leur a permis d’observer les dynamiques électroniques internes à différentes températures, depuis -223 °C jusqu’à 300 K, soit environ 27 °C. Ces mesures à température variable servent à distinguer les mécanismes susceptibles d’influencer le déplacement des charges électriques.

Leur résultat central concerne les lacunes d’oxygène, c’est-à-dire des emplacements où un atome d’oxygène manque dans la structure du matériau. Pour la première fois, selon les chercheurs, ces défauts ont été associés à la formation d’états donneurs peu profonds dans l’ECRAM étudiée.

En physique des semi-conducteurs, un état donneur est une configuration qui peut fournir plus facilement des électrons capables de se déplacer. Lorsqu’il est dit « peu profond », il est proche du niveau d’énergie à partir duquel les électrons peuvent participer à la conduction. En termes simples, les lacunes d’oxygène ne se contentent pas d’augmenter mécaniquement le nombre d’électrons disponibles : elles créent un environnement dans lequel ces électrons circulent plus aisément.

Des ions aux électrons, un mécanisme décisif

Le fonctionnement d’une ECRAM dépend de mouvements ioniques, mais ses performances se lisent aussi dans le comportement des électrons. C’est ce lien entre les deux phénomènes que l’étude de POSTECH aide à clarifier.

Lorsque des ions se déplacent dans le composant, ils modifient l’environnement local du matériau. Cette modification change sa conductivité électrique, autrement dit sa capacité à laisser circuler les électrons. C’est cette conductivité qui permet de représenter les valeurs analogiques utiles au stockage et au calcul.

Dans le dispositif étudié, les lacunes d’oxygène favorisent donc un transport électronique plus fluide. Les observations indiquent que ce mécanisme reste stable même à des températures très basses. Cette stabilité est importante : une mémoire destinée au calcul en mémoire doit pouvoir changer d’état de manière contrôlée, sans dérive imprévisible de ses propriétés électriques.

La robustesse observée dans différents environnements thermiques renforce l’intérêt de l’ECRAM comme candidat pour de futurs systèmes de calcul en mémoire. Elle ne supprime pas les autres questions techniques, notamment la fabrication de réseaux de très grande taille, la précision des calculs analogiques, l’endurance des composants et leur intégration avec les procédés électroniques existants.

En quoi cela pourrait changer les appareils d’IA

Le professeur Seyoung Kim résume l’enjeu en ces termes : « Cette recherche représente une avancée significative en clarifiant le mécanisme de commutation de l’ECRAM à différentes températures. Son potentiel commercial pourrait dynamiser les performances de l’IA et prolonger l’autonomie des batteries dans des appareils tels que les smartphones et ordinateurs portables ».

Le mot essentiel est ici « pourrait ». Les promesses du calcul en mémoire sont particulièrement attrayantes pour les équipements contraints par leur batterie, leur dissipation thermique ou leur taille. Un smartphone, un ordinateur portable, mais aussi un capteur ou un appareil connecté, auraient intérêt à accomplir davantage de tâches d’IA localement, sans multiplier les échanges coûteux entre mémoire et processeur.

Une réduction des transferts de données peut aussi avoir des effets indirects. Moins d’échanges signifie potentiellement moins d’énergie dépensée, moins de chaleur produite et, selon l’architecture complète, une meilleure réactivité. Pour des fonctions telles que la reconnaissance de signaux, l’analyse d’images ou l’interprétation de données de capteurs, ces gains seraient particulièrement recherchés.

Il faut néanmoins distinguer la démonstration d’un mécanisme de matériau d’une performance système complète. L’autonomie d’un appareil dépend de bien d’autres éléments : l’écran, les communications sans fil, le logiciel, le type de modèle d’IA, la batterie et l’ensemble de la puce. Le travail de POSTECH apporte une brique scientifique à cette évolution, plutôt qu’une solution immédiatement déployable.

Quels obstacles avant une commercialisation ?

Le passage du laboratoire au produit reste l’étape la plus difficile pour les mémoires émergentes. Un dispositif individuel peut montrer un comportement prometteur, mais une puce utile à l’IA devra réunir un très grand nombre de cellules capables de fonctionner de manière homogène. Toute variation entre les cellules peut affecter la précision d’un calcul analogique.

Plusieurs exigences s’additionnent :

• les états de conductivité doivent pouvoir être réglés de façon fine et répétable ;
• les valeurs doivent rester stables pendant la durée nécessaire ;
• le composant doit supporter de nombreux cycles d’écriture et de lecture ;
• les matériaux doivent être intégrables dans des procédés de fabrication réalistes ;
• l’architecture doit prouver un avantage énergétique et pratique à l’échelle d’un système complet.

L’étude de POSTECH traite directement l’un de ces enjeux, la compréhension de la commutation et du transport électronique. En identifiant l’effet des lacunes d’oxygène et des états donneurs peu profonds, elle offre des indications pour concevoir et optimiser des ECRAM plus robustes.

Ce qu’il faut surveiller

La progression du calcul en mémoire se jouera autant dans les laboratoires de matériaux que dans la conception des puces et des logiciels. Les futurs travaux devront notamment montrer si les mécanismes observés dans l’oxyde de tungstène peuvent être exploités de manière fiable dans de grands réseaux de mémoire, puis dans des systèmes exécutant des tâches d’IA complètes.

Il faudra aussi suivre la capacité de ces technologies à démontrer des gains mesurables face aux accélérateurs d’IA conventionnels : vitesse, consommation, précision, durée de vie et coût de fabrication. Le calcul en mémoire n’est pas appelé à remplacer d’un seul coup les processeurs et les GPU. Il pourrait en revanche devenir une voie complémentaire pour les calculs où le mouvement incessant des données est devenu le principal frein.

À la date du 26 avril 2025, les résultats de POSTECH rappellent surtout une réalité souvent masquée par les annonces sur les modèles d’IA : les performances futures dépendront aussi de progrès très concrets dans les matériaux et l’électronique. Pour rendre l’IA plus rapide et moins énergivore, il ne suffit pas d’améliorer les algorithmes. Il faut également repenser l’endroit même où les calculs ont lieu.