Un nouveau transistor de type cerveau effectue un apprentissage associatif économe en énergie à température ambiante

En s'inspirant du cerveau humain, des chercheurs ont développé un nouveau transistor synaptique capable de penser à un niveau supérieur.

Conçu par des chercheurs de l’Université Northwestern, du Boston College et du Massachusetts Institute of Technology (MIT), l’appareil traite et stocke simultanément les informations, tout comme le cerveau humain. Dans de nouvelles expériences, les chercheurs ont démontré que le transistor va au-delà des simples tâches d’apprentissage automatique pour catégoriser les données et est capable d’effectuer un apprentissage associatif.

Bien que des études antérieures aient exploité des stratégies similaires pour développer des dispositifs informatiques de type cerveau, ces transistors ne peuvent pas fonctionner en dehors des températures cryogéniques. En revanche, le nouvel appareil est stable à température ambiante. Il fonctionne également à des vitesses élevées, consomme très peu d'énergie et conserve les informations stockées même lorsque l'alimentation est coupée, ce qui le rend idéal pour les applications réelles.

L'étude, intitulée « Transistor synaptique moiré avec fonctionnalité neuromorphique à température ambiante » a été publiée le 20 décembre dans la revue Nature.

“Le cerveau a une architecture fondamentalement différente de celle d'un ordinateur numérique”, a déclaré Mark C. Hersam de Northwestern, qui a codirigé la recherche.

“Dans un ordinateur numérique, les données circulent entre un microprocesseur et la mémoire, ce qui consomme beaucoup d'énergie et crée un goulot d'étranglement lorsqu'on tente d'effectuer plusieurs tâches en même temps. D'autre part, dans le cerveau, la mémoire et l'information ” Les traitements sont colocalisés et entièrement intégrés, ce qui entraîne une efficacité énergétique d'un ordre de grandeur supérieure. Notre transistor synaptique réalise de la même manière une fonctionnalité simultanée de mémoire et de traitement de l'information pour imiter plus fidèlement le cerveau. “

Hersam est professeur Walter P. Murphy de science et d'ingénierie des matériaux à la McCormick School of Engineering de Northwestern. Il est également président du département de science et d'ingénierie des matériaux, directeur du Centre de recherche en science et ingénierie des matériaux et membre de l'Institut international de nanotechnologie. Hersam a codirigé la recherche avec Qiong Ma du Boston College et Pablo Jarillo-Herrero du MIT.

Les progrès récents de l’intelligence artificielle (IA) ont incité les chercheurs à développer des ordinateurs qui fonctionnent davantage comme le cerveau humain. Les systèmes informatiques numériques conventionnels disposent d'unités de traitement et de stockage séparées, ce qui fait que les tâches gourmandes en données consomment de grandes quantités d'énergie. Alors que les appareils intelligents collectent continuellement de grandes quantités de données, les chercheurs s’efforcent de découvrir de nouvelles façons de tout traiter sans consommer une quantité croissante d’énergie.

Actuellement, la résistance mémoire, ou « memristor », est la technologie la plus développée capable de combiner les fonctions de traitement et de mémoire. Mais les memristors souffrent toujours d'une commutation coûteuse en énergie.

“Depuis plusieurs décennies, le paradigme de l'électronique consiste à tout construire à partir de transistors et à utiliser la même architecture de silicium”, a déclaré Hersam.

“Des progrès significatifs ont été réalisés en intégrant simplement de plus en plus de transistors dans des circuits intégrés. On ne peut nier le succès de cette stratégie, mais cela se fait au prix d'une consommation d'énergie élevée, en particulier à l'ère actuelle du big data où l'informatique numérique est à l'honneur. piste pour submerger le réseau. Nous devons repenser le matériel informatique, en particulier pour les tâches d'IA et d'apprentissage automatique.

Pour repenser ce paradigme, Hersam et son équipe ont exploré de nouvelles avancées dans la physique des motifs moirés, un type de conception géométrique qui apparaît lorsque deux motifs se superposent. Lorsque des matériaux bidimensionnels sont empilés, de nouvelles propriétés émergent qui n’existent pas dans une seule couche. Et lorsque ces couches sont tordues pour former un motif de moiré, un réglage sans précédent des propriétés électroniques devient possible.

Pour le nouveau dispositif, les chercheurs ont combiné deux types différents de matériaux atomiquement minces : le graphène bicouche et le nitrure de bore hexagonal. Une fois empilés et délibérément tordus, les matériaux formaient un motif moiré. En faisant pivoter une couche par rapport à l’autre, les chercheurs pourraient obtenir des propriétés électroniques différentes dans chaque couche de graphène, même si elles ne sont séparées que par des dimensions à l’échelle atomique. Avec le bon choix de torsion, les chercheurs ont exploité la physique du moiré pour la fonctionnalité neuromorphique à température ambiante.

“Avec la torsion comme nouveau paramètre de conception, le nombre de permutations est vaste”, a déclaré Hersam. “Le graphène et le nitrure de bore hexagonal sont très similaires sur le plan structurel mais juste assez différents pour obtenir des effets de moiré exceptionnellement forts.”

Pour tester le transistor, Hersam et son équipe l’ont entraîné à reconnaître des modèles similaires, mais pas identiques. Plus tôt en 2023, Hersam a présenté un nouveau dispositif nanoélectronique capable d'analyser et de catégoriser les données de manière économe en énergie, mais son nouveau transistor synaptique va encore plus loin dans l'apprentissage automatique et l'IA.

“Si l'IA est censée imiter la pensée humaine, l'une des tâches les plus élémentaires serait de classer les données, ce qui revient simplement à les trier dans des cases”, a déclaré Hersam. « Notre objectif est de faire progresser la technologie de l'IA vers une réflexion de plus haut niveau. Les conditions du monde réel sont souvent plus compliquées que ce que les algorithmes d'IA actuels peuvent gérer, c'est pourquoi nous avons testé nos nouveaux appareils dans des conditions plus compliquées pour vérifier leurs capacités avancées.

Les chercheurs ont d’abord montré à l’appareil un modèle : 000 (trois zéros d’affilée). Ensuite, ils ont demandé à l'IA d'identifier des modèles similaires, tels que 111 ou 101. “Si nous l'avons entraîné à détecter 000 et que nous lui avons ensuite donné 111 et 101, elle sait que 111 ressemble plus à 000 qu'à 101”, a expliqué Hersam. “000 et 111 ne sont pas exactement identiques, mais les deux sont constitués de trois chiffres consécutifs. Reconnaître que la similitude est une forme de cognition de niveau supérieur connue sous le nom d'apprentissage associatif.”

Lors d'expériences, le nouveau transistor synaptique a reconnu avec succès des modèles similaires, affichant sa mémoire associative. Même lorsque les chercheurs ont lancé des boules courbes, comme en lui donnant des modèles incomplets, ils ont quand même réussi à démontrer l’apprentissage associatif.

“L'IA actuelle peut être facile à confondre, ce qui peut causer des problèmes majeurs dans certains contextes”, a déclaré Hersam. “Imaginez si vous utilisez un véhicule autonome et que les conditions météorologiques se détériorent. Le véhicule pourrait ne pas être capable d'interpréter les données de capteur plus complexes aussi bien qu'un conducteur humain. Mais même lorsque nous avons donné une entrée imparfaite à notre transistor, il pourrait encore identifier la bonne réponse.