Des memristors analogiques pourraient rendre l’IA neuromorphique plus efficace

Pour traiter les données des systèmes d’intelligence artificielle sans faire exploser leur consommation électrique, les chercheurs cherchent à repenser les composants les plus élémentaires des puces. Le memristor, un composant capable de conserver une trace de son activité électrique passée, fait partie des candidats les plus suivis. Le 8 novembre 2024, des travaux attribués à une équipe de l’Université de Wuhan mettent en avant une architecture à commutation analogique qui pourrait améliorer son intérêt pour le calcul neuromorphique.

L’ambition est importante, mais il faut immédiatement distinguer une avancée de laboratoire d’un produit prêt à équiper les ordinateurs. Les résultats présentés concernent la conception d’un composant et des simulations de fonctionnement au niveau de la puce. Ils offrent néanmoins une illustration concrète de la manière dont de nouveaux matériaux peuvent aider l’électronique à effectuer des calculs inspirés du cerveau, avec moins de déplacements de données.

Pourquoi les puces d’IA cherchent-elles une autre architecture ?

Les processeurs classiques séparent largement le calcul et la mémoire. Les données sont lues dans une mémoire, transférées vers une unité de calcul, puis le résultat est à son tour stocké. Ce va-et-vient devient coûteux lorsque les algorithmes doivent effectuer des milliards d’opérations, comme c’est souvent le cas en apprentissage automatique.

Le calcul neuromorphique part d’une intuition différente : le cerveau ne sépare pas strictement la mémoire des opérations. Les synapses biologiques transmettent un signal tout en modulant sa force selon l’expérience passée. Une puce neuromorphique tente de s’inspirer de cette organisation en utilisant des composants dont l’état physique peut représenter un poids dans un réseau de neurones artificiels.

Le memristor est particulièrement adapté à cette idée. Il s’agit d’un composant électronique à deux bornes dont la résistance, ou plus précisément la conductance, dépend de l’historique des signaux électriques qui l’ont traversé. Après l’impulsion, il peut conserver un état. Cette propriété en fait une forme de mémoire non volatile potentiellement utile pour stocker directement les paramètres d’un modèle d’IA.

Ce que propose le memristor conçu à Wuhan

Le dispositif présenté par les chercheurs repose sur des matériaux métalliques bidimensionnels de van der Waals employés comme cathodes. Parmi les matériaux cités figurent le graphène et le ditellurure de platine. Les matériaux bidimensionnels sont extrêmement fins, parfois constitués de couches atomiques ou quasi atomiques. Les interactions de van der Waals désignent les faibles forces qui relient certaines de ces couches entre elles.

La couche de commutation est décrite comme étant constituée d’anhydride de phosphore. Dans cet empilement, le choix de la cathode et de la couche active ne relève pas d’un simple changement de matériau : il vise à mieux contrôler les mécanismes physiques qui font évoluer l’état du memristor.

L’un des éléments déterminants est la barrière de diffusion. Elle limite la migration des ions d’argent au sein du composant. Ce contrôle est essentiel pour éviter une transition trop brutale entre deux états électriques et obtenir, au contraire, une variation progressive de la conductance. C’est cette progressivité qui intéresse les concepteurs de circuits analogiques neuromorphiques.

Que signifie une commutation analogique ?

Dans son usage le plus simple, un composant électronique fonctionne de manière binaire : il est dans un état peu conducteur ou très conducteur, ce qui se rapproche d’un 0 et d’un 1. Un memristor analogique peut, lui, adopter des niveaux intermédiaires de conductance. Ces niveaux peuvent servir à représenter plus finement les poids numériques qui relient les neurones d’un modèle d’apprentissage automatique.

Cette nuance est loin d’être anecdotique. Dans un réseau de neurones artificiels, les poids ne sont pas seulement positifs ou négatifs, activés ou désactivés. Ils prennent de nombreuses valeurs. Plus un composant physique peut reproduire ces valeurs avec régularité, moins il est nécessaire de convertir continuellement les signaux entre plusieurs représentations électroniques.

Le rapport on/off jusqu’à 10⁸, soit jusqu’à 100 millions, correspond à l’écart entre les états de conduction les plus éloignés rapporté pour le dispositif. Un rapport élevé peut aider à mieux séparer les niveaux exploitables et à réduire l’influence de signaux parasites. Il ne suffit toutefois pas, à lui seul, à garantir un excellent circuit : la précision réelle dépend aussi du nombre d’états contrôlables, de leur stabilité, de leur variabilité d’un composant à l’autre et de leur comportement après de nombreux cycles.

Pourquoi l’échelle de l’attojoule est-elle mise en avant ?

Les travaux évoquent un fonctionnement à un niveau de l’attojoule. Un attojoule, noté aJ, équivaut à 10⁻¹⁸ joule : c’est une unité d’énergie extrêmement faible. Cette échelle est importante pour l’IA embarquée, la robotique ou les objets connectés, où chaque opération économisée peut se traduire par une meilleure autonomie ou une moindre dissipation thermique.

Il faut cependant employer les unités avec précision. Le joule mesure une énergie, tandis que le watt mesure une puissance, c’est-à-dire une énergie consommée par unité de temps. Évoquer une énergie de commutation à l’échelle de l’attojoule ne permet pas, à lui seul, de déduire la consommation d’une puce entière. Celle-ci dépendrait aussi des circuits de contrôle, des conversions de signaux, des mémoires périphériques et de l’organisation globale du système.

Une reconnaissance d’images simulée à 91 %

Pour évaluer l’intérêt de cette architecture, les chercheurs ont mené des simulations au niveau de la puce avec un réseau de neurones convolutif, souvent désigné par l’acronyme CNN. Ce type de réseau est particulièrement utilisé en vision par ordinateur : il analyse une image par étapes afin de détecter des formes, des motifs puis des objets ou catégories.

La précision de reconnaissance d’images atteint jusqu’à 91 % dans ces simulations. Présenté autrement, le système a correctement identifié jusqu’à 91 images sur 100 dans les conditions de l’évaluation rapportée. Ce résultat montre que les caractéristiques électriques modélisées pour les memristors restent compatibles avec une tâche d’IA concrète.

Ce chiffre ne doit pas être isolé de son contexte. Les informations disponibles ne précisent pas le jeu d’images utilisé, les conditions exactes de comparaison ni le niveau de complexité du réseau. Il ne permet donc pas de classer ce dispositif face à tous les accélérateurs d’IA existants. Son intérêt est ailleurs : il apporte une indication sur la possibilité d’intégrer ce comportement analogique dans une architecture de réseau de neurones sans perdre toute capacité de reconnaissance.

Des promesses réelles, mais des obstacles avant une puce commerciale

La recherche sur les memristors est active parce qu’elle combine plusieurs promesses : mémoire non volatile, calcul au plus près des données, représentation analogique des poids et réduction potentielle de l’énergie par opération. L’architecture proposée à Wuhan apporte une piste matérielle précise pour progresser sur la qualité de la commutation analogique.

Passer du composant individuel à des réseaux massifs reste néanmoins une étape difficile. Une puce utile pour l’IA doit assembler un très grand nombre de cellules et garantir qu’elles se comportent de façon suffisamment homogène. Or, dans l’électronique analogique, de petites variations physiques peuvent modifier la réponse électrique d’un composant.

Plusieurs critères devront donc être vérifiés dans de futurs travaux :

• la stabilité des niveaux de conductance dans le temps ;
• la répétabilité de la commutation après de nombreux cycles ;
• la variation entre différents memristors fabriqués sur une même puce ;
• la compatibilité des matériaux et procédés avec une fabrication à grande échelle ;
• le bilan énergétique du système complet, et non de la seule cellule de mémoire.

Ces questions ne diminuent pas la portée de la démonstration. Elles rappellent la différence entre une performance physique prometteuse et la mise au point d’un processeur fiable, programmable et compétitif.

Ce qu’il faut surveiller pour la suite

La prochaine étape consistera à confirmer que les propriétés annoncées se maintiennent au sein de matrices de memristors plus vastes et dans des conditions de fonctionnement répétées. Il sera également utile de comparer les performances avec d’autres matériaux de commutation et d’autres électrodes, puisque les chercheurs envisagent eux-mêmes l’exploration de couches alternatives.

Pour l’intelligence artificielle, l’enjeu dépasse le seul gain de vitesse. Les modèles deviennent plus gourmands en données et en énergie, alors que de nombreux usages réclament des calculs locaux, par exemple dans des capteurs, des robots ou des appareils autonomes. Si les memristors analogiques parviennent à concilier précision, fiabilité et faible consommation, ils pourraient contribuer à déplacer une part du calcul d’IA vers des puces plus spécialisées.

À ce stade, le résultat de l’Université de Wuhan doit être lu comme une avancée dans la conception des composants. Son rapport on/off de 10⁸, son contrôle de la diffusion des ions d’argent et sa simulation à 91 % de précision dessinent une direction de recherche crédible. La démonstration d’un avantage industriel dépendra désormais de la capacité à transformer ces propriétés en circuits complets et reproductibles.