Un neurone artificiel associe DRAM et MoS₂ pour s’adapter comme le cerveau

L’intelligence artificielle ne progresse pas seulement grâce aux modèles et aux données : elle dépend aussi de la manière dont les machines traitent physiquement l’information. À l’université de Fudan, des chercheurs ont présenté un neurone artificiel qui combine une mémoire DRAM et des circuits en disulfure de molybdène, ou MoS₂, afin de reproduire plus finement une caractéristique du cerveau, sa capacité à ajuster son comportement en fonction des signaux reçus.

L’idée n’est pas de fabriquer un cerveau humain miniature. Il s’agit de concevoir un composant électronique dont la dynamique électrique rappelle certains mécanismes neuronaux. Dans l’expérience rapportée, plusieurs de ces unités ont été reliées dans un réseau de 3 x 3 neurones et soumises à des changements de lumière. Le réseau a alors montré une faculté d’adaptation qui intéresse directement les systèmes de vision par ordinateur.

Une recherche sur le matériel, pas un nouveau modèle d’IA

Quand on parle de neurones artificiels, il faut distinguer deux réalités. Dans un logiciel d’apprentissage automatique, un neurone artificiel est généralement une opération mathématique : il reçoit des nombres, les pondère et transmet un résultat. Dans l’informatique neuromorphique, le terme désigne aussi un composant matériel conçu pour produire des comportements électriques inspirés des neurones biologiques.

C’est dans cette seconde catégorie que s’inscrit la réalisation de l’équipe de Fudan. Sa conception réunit deux éléments : une structure de mémoire dynamique, la DRAM, et un circuit inverseur en MoS₂. Ensemble, ils doivent permettre au dispositif de conserver un état électrique, de le faire évoluer et de générer des impulsions comparables, dans leur principe, aux décharges des neurones.

Le cerveau est une source d’inspiration particulièrement attractive pour l’électronique, car il accomplit perception, calcul et adaptation avec une efficacité que les ordinateurs classiques cherchent encore à approcher. Dans une architecture informatique conventionnelle, les données circulent souvent entre la mémoire et l’unité de calcul. Les approches neuromorphiques tentent au contraire de rapprocher ces fonctions, afin que le composant puisse à la fois retenir une information et participer à son traitement.

Comment la DRAM et le MoS₂ reproduisent-ils un comportement neuronal ?

La DRAM, pour Dynamic Random Access Memory, est une mémoire qui stocke une charge électrique. Dans le neurone artificiel décrit par les chercheurs, cette capacité est utilisée pour imiter la variation du potentiel électrique à la membrane d’un neurone vivant.

Dans un neurone biologique, la membrane maintient une différence de potentiel électrique entre son intérieur et son extérieur. Les signaux reçus modifient cet état. Lorsque les conditions sont réunies, le neurone émet une impulsion électrique, souvent appelée potentiel d’action. Cette impulsion devient à son tour un signal pour d’autres neurones.

Le circuit présenté à Fudan transpose cette logique en électronique. La charge contenue dans la partie DRAM représente un état variable, tandis que le circuit inverseur transforme le signal entrant et contribue à la production d’impulsions électriques analogues à l’activité neuronale. Le MoS₂, ou disulfure de molybdène, est le matériau employé dans ce circuit inverseur.

Cette analogie a ses limites. Un neurone biologique est une cellule vivante dotée d’une structure extrêmement complexe, qui communique grâce à des phénomènes électriques et chimiques. Le composant de Fudan ne reproduit pas cette biologie dans son ensemble. Il vise plus précisément certaines propriétés fonctionnelles susceptibles d’être utiles au calcul.

La plasticité, la clé de l’adaptation

L’enjeu central de ces travaux est la plasticité, un terme qui désigne la capacité du système nerveux à modifier son fonctionnement avec l’expérience. C’est une propriété décisive pour l’apprentissage, l’adaptation à un environnement changeant et l’ajustement des réponses sensorielles.

On distingue notamment deux notions proches, mais différentes. La plasticité synaptique concerne la force des connexions entre neurones : une liaison peut être renforcée ou affaiblie selon l’activité du réseau. La plasticité intrinsèque désigne, elle, les changements propres à l’excitabilité d’un neurone, autrement dit à sa tendance à répondre aux signaux qu’il reçoit.

Les chercheurs de Fudan mettent en avant la capacité de leur neurone artificiel à intégrer des changements intrinsèques. La modulation des charges électriques dans les condensateurs de la DRAM permet ainsi de faire évoluer l’état du composant. C’est cette dynamique qui doit rendre l’émulation plus proche d’un système d’apprentissage biologique qu’un circuit se contentant de délivrer toujours la même réponse à la même entrée.

Un réseau de 3 x 3 neurones face aux changements de lumière

Pour tester leur dispositif, les chercheurs ont assemblé plusieurs neurones artificiels dans une matrice de 3 x 3. Cette petite taille est importante à garder en tête : il s’agit d’une démonstration expérimentale, non d’un processeur complet destiné à analyser des millions d’images.

Le réseau a été mis à l’épreuve avec des variations lumineuses. Il a réagi de façon à mimer l’adaptation du système visuel humain lorsque l’éclairage change. Cette faculté est familière dans la vie quotidienne : en entrant dans une pièce sombre ou en sortant à l’extérieur, le système visuel ne traite pas la lumière de manière totalement fixe. Il ajuste progressivement sa réponse au contexte.

Dans un système de vision par ordinateur, une adaptation de ce type pourrait être utile pour traiter des scènes dont l’éclairage varie fortement. Caméras embarquées, capteurs industriels et dispositifs fonctionnant localement doivent souvent composer avec des contrastes, des ombres ou des changements brusques de luminosité.

Les résultats communiqués établissent donc une preuve de concept sur l’adaptation lumineuse. Ils ne permettent pas, à eux seuls, de conclure qu’un tel neurone surpasse les puces existantes en précision, en vitesse ou en consommation. Aucune valeur chiffrée de comparaison n’est fournie ici sur ces critères. La portée de l’expérience tient d’abord à l’intégration réussie d’une mémoire DRAM et d’un circuit en MoS₂ pour obtenir ce comportement adaptatif.

Pourquoi cette piste intéresse la vision par ordinateur

La vision par ordinateur repose souvent sur une chaîne de traitement en plusieurs étapes : un capteur capture l’image, une puce prépare les données, puis un modèle les interprète. Cette organisation peut exiger des transferts d’information et de l’énergie, surtout lorsque les données sont nombreuses ou que l’analyse doit se faire rapidement.

En confiant une partie de l’adaptation au composant lui-même, l’informatique neuromorphique espère rendre certains traitements plus directs. Dans le cas étudié, le neurone artificiel répond aux changements lumineux au niveau du réseau matériel. Cette perspective rejoint les besoins de l’intelligence de bord, c’est-à-dire des calculs réalisés au plus près du capteur ou de l’appareil, plutôt que dans un centre de données distant.

Les applications évoquées concernent en particulier la reconnaissance d’images et la vision par ordinateur. À terme, des systèmes capables de s’ajuster à un environnement visuel mouvant pourraient intéresser des équipements autonomes ou des appareils qui doivent prendre des décisions avec une consommation énergétique limitée.

Il faut toutefois séparer une piste technologique d’un produit prêt à l’emploi. Pour que ce type de composant passe du laboratoire à des usages courants, il faudrait notamment le déployer dans des réseaux bien plus grands, démontrer la stabilité de son fonctionnement, l’intégrer à des capteurs et le comparer à d’autres solutions sur des tâches concrètes.

Une promesse d’efficacité à vérifier à plus grande échelle

L’un des arguments fréquemment associés aux architectures neuromorphiques est la sobriété énergétique. Si la mémoire, l’adaptation et une partie du traitement sont réunies dans le matériel, il peut devenir possible de limiter certains échanges de données entre composants distincts. C’est une direction de recherche particulièrement importante à mesure que les systèmes d’IA deviennent plus exigeants en calcul.

L’étude de Fudan présente ce neurone comme une piste vers des systèmes plus efficaces et moins énergivores. Mais une réduction de consommation ne se déduit pas automatiquement d’une démonstration à neuf neurones. Elle doit être mesurée sur des puces complètes, avec des capteurs, des circuits de communication et une tâche réelle de traitement d’information.

Le choix du MoS₂ ouvre également une voie de recherche dans les matériaux employés pour l’électronique neuromorphique. Le disulfure de molybdène est ici mobilisé dans le circuit inverseur, au service d’un comportement adaptatif. L’intérêt scientifique consiste à explorer comment les propriétés d’un matériau et l’organisation d’un circuit peuvent contribuer à reproduire des fonctions inspirées du vivant.

Ce qu’il faut surveiller

La prochaine étape sera de voir si ce principe peut être étendu sans perdre les propriétés observées dans le réseau de 3 x 3 neurones. Plusieurs questions compteront : le comportement reste-t-il fiable lorsque le nombre de neurones augmente ? L’adaptation matérielle améliore-t-elle réellement une tâche de reconnaissance d’images ? Quel est le gain énergétique mesuré par rapport aux architectures plus classiques ?

Il faudra aussi observer la complémentarité entre ces composants et les logiciels d’IA. Les neurones artificiels matériels ne rendent pas inutiles les modèles d’apprentissage automatique : ils pourraient fournir une couche de traitement spécialisée, particulièrement adaptée aux signaux sensoriels et aux environnements variables.

La démonstration de l’université de Fudan illustre ainsi une tendance de fond : pour rendre l’IA plus réactive et potentiellement plus sobre, la recherche ne se contente plus d’améliorer les algorithmes. Elle repense aussi les circuits qui leur donnent une existence physique.