Le premier ordinateur à memristors programmable, et pas seulement un réseau de memristors fonctionnant via un ordinateur externe, a été développé à l'Université du Michigan.

Cela pourrait conduire au traitement de l'intelligence artificielle directement sur de petits, appareils à faible consommation d'énergie tels que les smartphones et les capteurs. Un processeur AI pour smartphone signifierait que les commandes vocales n'auraient plus à être envoyées dans le cloud pour interprétation, accélérer le temps de réponse.

"Tout le monde veut mettre un processeur IA sur les smartphones, mais vous ne voulez pas que la batterie de votre téléphone portable se décharge très rapidement, " dit Wei Lu, U-M professeur de génie électrique et informatique et auteur principal de l'étude en Nature Électronique .

Dans les dispositifs médicaux, la possibilité d'exécuter des algorithmes d'IA sans le cloud permettrait une meilleure sécurité et une meilleure confidentialité.

Pourquoi les memristors sont bons pour l'apprentissage automatique

La clé pour rendre cela possible pourrait être un composant informatique avancé appelé memristor. Cet élément de circuit, une résistance électrique à mémoire, a une résistance variable qui peut servir de forme de stockage d'informations. Parce que les memristors stockent et traitent les informations au même endroit, ils peuvent contourner le plus gros goulot d'étranglement en termes de vitesse et de puissance de calcul :la connexion entre la mémoire et le processeur.

Ceci est particulièrement important pour les algorithmes d'apprentissage automatique qui traitent de nombreuses données pour faire des choses comme identifier des objets dans des photos et des vidéos, ou prédire quels patients hospitalisés sont les plus à risque d'infection. Déjà, les programmeurs préfèrent exécuter ces algorithmes sur des unités de traitement graphique plutôt que sur le processeur principal d'un ordinateur, l'unité centrale de traitement.

"Les GPU et les circuits numériques très personnalisés et optimisés sont considérés comme environ 10 à 100 fois meilleurs que les CPU en termes de puissance et de débit." dit Lu. "Les processeurs Memristor AI pourraient être encore 10 à 100 fois meilleurs."

Les GPU sont plus performants dans les tâches d'apprentissage automatique car ils ont des milliers de petits cœurs pour exécuter les calculs en même temps, par opposition à la chaîne de calculs attendant leur tour sur l'un des rares cœurs puissants d'un processeur.

Un tableau de memristors va encore plus loin. Chaque memristor est capable de faire son propre calcul, permettant d'effectuer des milliers d'opérations au sein d'un noyau à la fois. Dans cet ordinateur à l'échelle expérimentale, il y en avait plus de 5, 800 memristors. Une conception commerciale pourrait inclure des millions d'entre eux.

Les tableaux Memristor sont particulièrement adaptés aux problèmes d'apprentissage automatique. La raison en est la façon dont les algorithmes d'apprentissage automatique transforment les données en vecteurs - essentiellement, listes de points de données. En prédisant le risque d'infection d'un patient dans un hôpital, par exemple, ce vecteur peut énumérer des représentations numériques des facteurs de risque d'un patient.

Puis, les algorithmes d'apprentissage automatique comparent ces vecteurs "d'entrée" avec des vecteurs "de caractéristiques" stockés en mémoire. Ces vecteurs de caractéristiques représentent certains traits des données (comme la présence d'une maladie sous-jacente). S'il correspond, le système sait que les données d'entrée ont ce trait. Les vecteurs sont stockés dans des matrices, qui sont comme les feuilles de calcul des mathématiques, et ces matrices peuvent être mappées directement sur les tableaux de memristors.

Quoi de plus, au fur et à mesure que les données sont transmises à travers le tableau, la majeure partie du traitement mathématique se produit à travers les résistances naturelles dans les memristors, éliminant le besoin de déplacer des vecteurs de caractéristiques dans et hors de la mémoire pour effectuer les calculs. Cela rend les tableaux très efficaces pour les calculs matriciels complexes. Des études antérieures ont démontré le potentiel des matrices de memristors pour accélérer l'apprentissage automatique, mais ils avaient besoin d'éléments informatiques externes pour fonctionner.

Construire un ordinateur memristor programmable

Pour construire le premier ordinateur memristor programmable, L'équipe de Lu a travaillé avec le professeur agrégé Zhengya Zhang et le professeur Michael Flynn, à la fois en génie électrique et informatique à l'U-M, pour concevoir une puce qui pourrait intégrer le réseau de memristors avec tous les autres éléments nécessaires pour le programmer et l'exécuter. Ces composants comprenaient un processeur numérique conventionnel et des canaux de communication, ainsi que des convertisseurs numériques/analogiques pour servir d'interprètes entre le réseau de memristors analogiques et le reste de l'ordinateur.

L'équipe de Lu a ensuite intégré le réseau de memristors directement sur la puce de l'installation de nanofabrication Lurie d'U-M. Ils ont également développé un logiciel pour mapper des algorithmes d'apprentissage automatique sur la structure matricielle du réseau de memristors.

L'équipe a fait la démonstration de l'appareil avec trois algorithmes d'apprentissage automatique simples :

• Perceptron, qui sert à classer les informations. Ils ont pu identifier les lettres grecques imparfaites avec une précision de 100 pour cent
• Codage clairsemé, qui compresse et catégorise les données, en particulier des images. L'ordinateur a pu trouver le moyen le plus efficace de reconstruire des images dans un ensemble et des modèles identifiés avec une précision de 100 pour cent
• Réseau de neurones à deux couches, conçu pour trouver des modèles dans des données complexes. Ce réseau à deux couches a trouvé des points communs et des facteurs de différenciation dans les données de dépistage du cancer du sein, puis a classé chaque cas comme malin ou bénin avec une précision de 94,6%.

La mise à l'échelle à des fins commerciales présente des défis :les memristors ne peuvent pas encore être rendus aussi identiques qu'ils devraient l'être et les informations stockées dans la matrice ne sont pas entièrement fiables car elles fonctionnent sur le continuum analogique plutôt que sur le numérique. Ce sont les orientations futures du groupe de Lu.

Lu envisage de commercialiser cette technologie. L'étude s'intitule, "Un système memristor-CMOS reprogrammable entièrement intégré pour des opérations de multiplication-accumulation efficaces."