En ce qui concerne la puissance de traitement, le cerveau humain ne peut tout simplement pas être battu.

Emballé dans le spongieux, organes de la taille d'un ballon de football se situent aux alentours de 100 milliards de neurones. À n'importe quel moment donné, un seul neurone peut relayer des instructions à des milliers d'autres neurones via des synapses - les espaces entre les neurones, à travers lequel les neurotransmetteurs sont échangés. Il existe plus de 100 000 milliards de synapses qui assurent la médiation de la signalisation des neurones dans le cerveau, renforcer certaines connexions tout en élaguant d'autres, dans un processus qui permet au cerveau de reconnaître des modèles, se souvenir des faits, et effectuer d'autres tâches d'apprentissage, à la vitesse de l'éclair.

Des chercheurs dans le domaine émergent de « l'informatique neuromorphique » ont tenté de concevoir des puces informatiques qui fonctionnent comme le cerveau humain. Au lieu d'effectuer des calculs basés sur le binaire, signalisation marche/arrêt, comme les puces numériques le font aujourd'hui, les éléments d'un "cerveau sur puce" fonctionneraient de manière analogique, échanger un gradient de signaux, ou "poids, " un peu comme les neurones qui s'activent de diverses manières selon le type et le nombre d'ions qui traversent une synapse.

De cette façon, de petites puces neuromorphes pourraient, comme le cerveau, traiter efficacement des millions de flux de calculs parallèles qui ne sont actuellement possibles qu'avec de grandes banques de supercalculateurs. Mais un obstacle important sur le chemin de cette intelligence artificielle portable a été la synapse neuronale, qui a été particulièrement difficile à reproduire dans le matériel.

Maintenant, les ingénieurs du MIT ont conçu une synapse artificielle de manière à pouvoir contrôler avec précision la force d'un courant électrique qui la traverse, similaire à la façon dont les ions circulent entre les neurones. L'équipe a construit une petite puce avec des synapses artificielles, en silicium germanium. Dans les simulations, les chercheurs ont découvert que la puce et ses synapses pouvaient être utilisées pour reconnaître des échantillons d'écriture manuscrite, avec une précision de 95 pour cent.

La conception, publié aujourd'hui dans la revue Matériaux naturels , est une étape majeure vers la construction portable, puces neuromorphiques de faible puissance pour une utilisation dans la reconnaissance de formes et d'autres tâches d'apprentissage.

La recherche a été dirigée par Jeehwan Kim, la promotion de 1947 professeur adjoint en développement de carrière dans les départements de génie mécanique et de science et génie des matériaux, et chercheur principal au Laboratoire de recherche des laboratoires de technologie électronique et microsystème du MIT. Ses co-auteurs sont Shinhyun Choi (premier auteur), Scott Tan (co-premier auteur), Zéfan Li, Yunjo Kim, Chanyeol Choi, et Hanwool Yeon du MIT, avec Pai-Yu Chen et Shimeng Yu de l'Université d'État de l'Arizona.

Trop de chemins

La plupart des conceptions de puces neuromorphiques tentent d'émuler la connexion synaptique entre les neurones en utilisant deux couches conductrices séparées par un « milieu de commutation, " ou un espace de type synapse. Lorsqu'une tension est appliquée, les ions doivent se déplacer dans le milieu de commutation pour créer des filaments conducteurs, de la même manière que le "poids" d'une synapse change.

Mais il a été difficile de contrôler le flux d'ions dans les conceptions existantes. Kim dit que c'est parce que la plupart des supports de commutation, fait de matériaux amorphes, ont des chemins possibles illimités à travers lesquels les ions peuvent voyager - un peu comme Pachinko, un jeu d'arcade mécanique qui fait descendre de petites billes d'acier à travers une série de goupilles et de leviers, qui agissent pour détourner ou diriger les balles hors de la machine.

Comme Pachinko, les supports de commutation existants contiennent de multiples chemins qui rendent difficile la prédiction de l'endroit où les ions passeront. Kim dit que cela peut créer une non-uniformité indésirable dans les performances d'une synapse.

"Une fois que vous appliquez une tension pour représenter certaines données avec votre neurone artificiel, il faut l'effacer et pouvoir l'écrire à nouveau exactement de la même manière, " dit Kim. " Mais dans un solide amorphe, quand tu écris encore, les ions vont dans des directions différentes car il y a beaucoup de défauts. Ce flux est en train de changer, et c'est difficile à contrôler. C'est le plus gros problème :la non-uniformité de la synapse artificielle."

Un décalage parfait

Au lieu d'utiliser des matériaux amorphes comme synapse artificielle, Kim et ses collègues se sont tournés vers le silicium monocristallin, un matériau conducteur sans défaut fait d'atomes disposés dans un alignement ordonné en continu. L'équipe a cherché à créer un défaut de ligne unidimensionnel, ou luxation, à travers le silicium, à travers lequel les ions pourraient s'écouler de manière prévisible.

Faire cela, les chercheurs ont commencé avec une plaquette de silicium, ressembler, à résolution microscopique, un motif de grillage. Ils ont ensuite fait pousser un motif similaire de silicium-germanium, un matériau également couramment utilisé dans les transistors, sur la plaquette de silicium. Le réseau du silicium germanium est légèrement plus grand que celui du silicium, et Kim a trouvé qu'ensemble, les deux matériaux parfaitement dépareillés peuvent former une luxation en entonnoir, créant un chemin unique à travers lequel les ions peuvent circuler.

Les chercheurs ont fabriqué une puce neuromorphique constituée de synapses artificielles en silicium germanium, chaque synapse mesurant environ 25 nanomètres de diamètre. Ils ont appliqué une tension à chaque synapse et ont constaté que toutes les synapses présentaient plus ou moins le même courant, ou flux d'ions, avec une variation d'environ 4% entre les synapses, une performance beaucoup plus uniforme par rapport aux synapses fabriquées à partir de matériaux amorphes.

Ils ont également testé une seule synapse sur plusieurs essais, appliquer la même tension sur 700 cycles, et trouvé que la synapse présentait le même courant, avec seulement 1 % de variation d'un cycle à l'autre.

"C'est l'appareil le plus uniforme que nous ayons pu réaliser, qui est la clé pour démontrer les réseaux de neurones artificiels, " dit Kim.

L'écriture, reconnu

Comme test final, L'équipe de Kim a exploré comment son appareil fonctionnerait s'il devait effectuer des tâches d'apprentissage réelles, en particulier, reconnaître des échantillons d'écriture, que les chercheurs considèrent comme un premier test pratique pour les puces neuromorphiques. De telles puces seraient constituées de "neurones d'entrée/cachés/de sortie, " chacun connecté à d'autres "neurones" via des synapses artificielles à base de filaments.

Les scientifiques pensent que de telles piles de réseaux neuronaux peuvent être conçues pour « apprendre ». Par exemple, lorsqu'il est alimenté par une entrée qui est un '1 écrit à la main ' avec une sortie qui l'étiquette comme '1, ' certains neurones de sortie seront activés par des neurones d'entrée et des poids d'une synapse artificielle. Lorsque plus d'exemples de « 1 » manuscrits sont introduits dans la même puce, les mêmes neurones de sortie peuvent être activés lorsqu'ils détectent des caractéristiques similaires entre différents échantillons de la même lettre, ainsi « apprendre » d'une manière similaire à ce que fait le cerveau.

Kim et ses collègues ont exécuté une simulation informatique d'un réseau de neurones artificiels composé de trois couches de couches neurales connectées via deux couches de synapses artificielles, dont ils ont basé les propriétés sur des mesures de leur puce neuromorphique réelle. Ils ont introduit dans leur simulation des dizaines de milliers d'échantillons à partir d'un ensemble de données de reconnaissance manuscrite couramment utilisé par les concepteurs neuromorphiques, et ont constaté que leur matériel de réseau neuronal reconnaissait les échantillons manuscrits 95 % du temps, par rapport à la précision de 97 % des algorithmes logiciels existants.

L'équipe est en train de fabriquer une puce neuromorphique fonctionnelle qui peut effectuer des tâches de reconnaissance de l'écriture manuscrite, pas en simulation mais en réalité. Au-delà de l'écriture manuscrite, Kim dit que la conception de la synapse artificielle de l'équipe permettra beaucoup plus petit, des périphériques de réseau de neurones portables capables d'effectuer des calculs complexes qui ne sont actuellement possibles qu'avec de gros superordinateurs.

"En fin de compte, nous voulons une puce aussi grosse qu'un ongle pour remplacer un gros supercalculateur, " dit Kim. "Cela ouvre un tremplin pour produire du vrai matériel artificiel."