Calcul analogique : la fréquence synthétique pour changer d’échelle

Les ordinateurs numériques dominent l’informatique moderne, mais leur efficacité énergétique devient un enjeu croissant à mesure que les calculs d’intelligence artificielle gagnent en ampleur. Le calcul analogique offre une autre voie : au lieu de représenter l’information par une succession de 0 et de 1, il exploite directement des grandeurs physiques continues, comme une tension, une intensité ou une fréquence. Cette promesse se heurte toutefois à une difficulté très concrète : comment agrandir un système sans accumuler des composants imparfaits, dont les comportements divergent inévitablement ?

Une équipe réunissant des chercheurs de Virginia Tech, du Laboratoire national d’Oak Ridge et de l’Université du Texas à Dallas avance une réponse fondée sur ce qu’elle appelle un domaine de fréquence synthétique. Présentée dans Nature Electronics, leur approche exploite différentes fréquences au sein d’un seul dispositif phononique intégré. L’objectif est de faire effectuer davantage de calculs à une même puce, en évitant autant que possible de juxtaposer un grand nombre d’éléments physiques distincts.

Cette piste est particulièrement intéressante pour les réseaux neuronaux physiques, ou PNN, des architectures dans lesquelles le matériel n’est pas un simple support d’exécution : ses propriétés physiques participent directement au calcul.

Pourquoi le calcul analogique est-il difficile à faire évoluer ?

Dans un circuit numérique classique, les informations sont codées dans des états discrets. Cette logique rend les opérations robustes et reproductibles : un signal est interprété comme un 0 ou un 1 selon des seuils définis. En contrepartie, les grands calculs demandent de nombreux transferts de données entre mémoire et unités de traitement, ainsi que des conversions et des commutations incessantes. Ces opérations ont un coût énergétique.

Le calcul analogique procède autrement. Il laisse une grandeur physique porter une valeur de manière continue. Selon la plateforme, une amplitude, une phase, une tension ou une fréquence peut représenter un nombre. Certaines opérations, notamment celles qui se rapprochent de multiplications matricielles, peuvent alors être réalisées par la dynamique naturelle du système physique plutôt que décomposées en une longue suite d’instructions numériques.

C’est une caractéristique attractive pour l’apprentissage automatique. Les réseaux de neurones manipulent en effet de grandes quantités de coefficients et effectuent à répétition des multiplications entre vecteurs et matrices. Mais les avantages théoriques du calcul analogique ne suffisent pas à résoudre son principal problème industriel et scientifique : la variabilité matérielle.

Deux composants supposés identiques ne répondent jamais exactement de la même façon. De légers écarts de fabrication, des variations de température, du bruit ou le vieillissement du matériel peuvent modifier les résultats. Lorsqu’un système devient plus grand et assemble beaucoup de dispositifs, ces différences peuvent s’additionner. La précision, la fiabilité et la reproductibilité du calcul sont alors plus difficiles à préserver.

Le domaine de fréquence synthétique, une autre manière d’ajouter des dimensions

L’idée centrale des chercheurs consiste à ne pas chercher la capacité de calcul uniquement en ajoutant des composants. Ils encodent des informations à différentes fréquences dans un même dispositif. Ces canaux de fréquence constituent un « domaine synthétique » : ils offrent des degrés de liberté supplémentaires sans exiger que chacun corresponde à une pièce matérielle indépendante.

Le mot « synthétique » ne signifie donc pas que les fréquences seraient artificielles. Il décrit une dimension de calcul construite à partir de modes fréquentiels distincts. Dans cette représentation, chaque fréquence peut transporter une partie de l’information. Les interactions non linéaires entre ces fréquences permettent ensuite de réaliser les opérations visées.

Dans les travaux présentés, le support est fondé sur des phonons non linéaires intégrés en niobate de lithium. Les phonons correspondent, de façon simplifiée, à des vibrations organisées dans un matériau. Lorsqu’elles sont contrôlées sous forme d’ondes acoustiques, ces vibrations peuvent transporter et transformer de l’information. Le niobate de lithium est ici le matériau qui permet d’intégrer ce dispositif phononique.

La plateforme développée par l’équipe montre qu’il est possible de traiter une matrice de 16 × 16 sur un seul dispositif. Cette démonstration ne signifie pas qu’un ordinateur analogique complet de très grande taille est déjà disponible. Elle illustre plutôt un principe d’architecture : concentrer plus de dimensions de calcul dans un composant unique afin de contourner une limite habituelle des plateformes analogiques, la multiplication des appareils physiques.

Réduire la variance entre dispositifs, un gain décisif

Dans une architecture analogique constituée de plusieurs modules, les signaux doivent traverser des interfaces et rencontrer des composants aux caractéristiques légèrement différentes. Cette hétérogénéité crée ce que les chercheurs appellent une variance inter-appareils. Elle peut dégrader les calculs, surtout lorsqu’une tâche demande une succession d’opérations précises.

C’est ce point que la fréquence synthétique cherche à traiter. Si plusieurs voies de calcul sont représentées au sein du même dispositif, elles ne dépendent plus de l’assemblage d’autant de composants séparés. La plateforme ne fait pas disparaître tous les défis physiques du calcul analogique, mais elle réduit une source importante d’erreurs associée à la mise à l’échelle.

Le bénéfice attendu est double. D’une part, une architecture plus compacte peut diminuer les difficultés liées à l’interconnexion de nombreux éléments. D’autre part, le comportement global du système peut devenir plus cohérent, puisque les voies de calcul sont produites et manipulées dans une même structure matérielle.

Linbo Shao, auteur senior des travaux, met en avant l’intérêt de cette stratégie pour les réseaux neuronaux physiques appliqués à l’intelligence artificielle. L’équipe souligne en particulier la possibilité d’implémenter un réseau neuronal avec un seul dispositif acoustique, ou un très petit nombre de dispositifs. À ce stade, il s’agit d’une démonstration de plateforme et d’une méthode pour faire évoluer les architectures, non d’un remplacement immédiat des processeurs numériques utilisés dans les ordinateurs et les centres de données.

Comment la plateforme a-t-elle été testée ?

Les chercheurs ont mis leur approche à l’épreuve sur une tâche de classification en quatre catégories. Dans ce type d’exercice, un réseau reçoit des données en entrée puis doit les associer à l’une de plusieurs classes possibles. C’est un test courant pour évaluer si une architecture de réseau neuronal peut apprendre à séparer correctement des groupes de données.

Le résultat mis en avant est une précision allant jusqu’à 98,2 %. Cette valeur est associée à une étape essentielle de la démarche : la co-conception du réseau neuronal et du dispositif matériel. Autrement dit, les chercheurs n’ont pas conçu séparément un réseau abstrait, puis tenté de le faire fonctionner sur une puce déjà définie. Ils ont ajusté conjointement l’architecture du réseau et les propriétés du dispositif acoustique.

Cette méthode est particulièrement importante en calcul analogique. Dans le logiciel conventionnel, il est souvent possible d’exécuter le même modèle sur des machines très différentes, moyennant des adaptations. Avec un réseau neuronal physique, le calcul dépend étroitement de ce que le matériel sait effectivement faire, de ses non-linéarités, de ses limites et de ses sources d’erreur. Concevoir l’algorithme sans tenir compte de ces paramètres risquerait de perdre l’avantage du matériel.

Que permet le niobate de lithium dans cette architecture ?

Le dispositif repose sur des interactions entre des ondes acoustiques, décrites à travers les phonons, dans une structure intégrée en niobate de lithium. Le recours à des phénomènes non linéaires est déterminant : dans un système purement linéaire, les signaux se superposent sans produire les transformations nécessaires à des opérations de calcul plus riches. Les non-linéarités permettent au contraire aux fréquences de se coupler et d’effectuer des opérations utiles pour le réseau neuronal.

L’intérêt de la phononique intégrée est de travailler avec des ondes acoustiques directement dans un dispositif. L’équipe exploite ce comportement pour porter les données dans le domaine fréquentiel et réaliser des opérations associées aux calculs matriciels. Il s’agit d’une approche différente des puces électroniques numériques traditionnelles, mais aussi des plateformes optiques parfois envisagées pour l’accélération de l’IA.

Le résultat le plus notable n’est donc pas uniquement le choix d’un matériau ou d’une onde acoustique. Il tient à l’assemblage de trois éléments : un matériau intégré, des phonons non linéaires et une méthode de codage dans plusieurs fréquences. C’est cette combinaison qui permet de représenter une matrice de 16 × 16 dans une plateforme compacte.

Une voie prometteuse, mais encore limitée par la taille des modèles

Les auteurs présentent leur système comme le premier réseau neuronal physique conçu selon cette méthode de domaine synthétique. La démonstration suggère que le concept pourrait être transposé à d’autres dispositifs émergents, y compris à des technologies qui se trouvent encore à un stade précoce de recherche et développement.

Pour autant, le passage de cette preuve de principe à des applications complexes reste un chantier. L’équipe poursuit l’optimisation de son approche afin d’élargir les problèmes que ses dispositifs phononiques en niobate de lithium pourront traiter. Parmi les défis explicitement identifiés figure l’intégration de modèles de réseaux neuronaux plus grands et plus sophistiqués.

Cette limite est structurante. Les applications modernes de l’IA peuvent nécessiter des architectures comportant bien plus de paramètres et des tâches bien plus diversifiées qu’une classification à quatre catégories. Il faudra donc vérifier que les gains de compacité et de fiabilité se maintiennent quand la dimension des calculs augmente, et que les méthodes de co-conception restent praticables pour des modèles plus ambitieux.

Il faudra également évaluer la reproductibilité des performances, l’intégration avec d’autres éléments électroniques et la capacité à utiliser ces plateformes dans des systèmes complets. En recherche sur le matériel pour l’IA, une démonstration convaincante d’opération mathématique ou de classification constitue une étape importante, mais elle ne règle pas automatiquement les questions de fabrication, de contrôle et de déploiement.

Ce qu’il faut surveiller

La recherche de Virginia Tech, du Laboratoire national d’Oak Ridge et de l’Université du Texas à Dallas s’inscrit dans une tendance plus large : rapprocher le calcul de la physique du matériel pour réduire le coût énergétique de certaines charges d’apprentissage automatique. Son apport spécifique est de proposer une montée en échelle qui passe moins par l’empilement de composants que par l’exploitation de fréquences multiples dans un même dispositif.

Les prochaines étapes seront révélatrices. La plateforme devra démontrer qu’elle peut accueillir des réseaux neuronaux plus volumineux sans perdre la précision qui a atteint 98,2 % dans le test présenté. Il sera aussi essentiel de mesurer dans quelles tâches concrètes l’approche procure le meilleur compromis entre compacité, fiabilité et efficacité.

Si cette stratégie tient ses promesses, elle pourrait fournir aux concepteurs de matériels analogiques une manière de contourner l’une de leurs difficultés les plus persistantes : faire grandir un système sans laisser les différences entre ses composants prendre le dessus sur le calcul. La fréquence synthétique ne remplace pas les défis de l’IA matérielle, mais elle offre une méthode précise pour les aborder à l’intérieur même d’un unique dispositif.