Espacer. La frontière finale. Et le 2 novembre, 2018, Le vaisseau spatial Voyager 2 de la NASA a traversé l'immensité de l'espace interstellaire, après Voyager 1, qui a fait le grand saut six ans plus tôt. Depuis leur lancement en 1977, les deux sondes ont parcouru plus de 11 milliards de kilomètres à travers le système solaire, beaucoup plus longtemps que les scientifiques ne l'avaient prévu.

Alimenté par du plutonium et tirant 400 watts de puissance chacun pour faire fonctionner leur électronique et leur chaleur, les sondes prennent toujours des photos et les renvoient à la NASA. Après 42 ans, bien que, seuls six des 10 instruments de Voyager 2 fonctionnent encore, et les scientifiques de la NASA s'attendent à ce que la sonde s'éteigne en 2025, bien avant qu'il ne quitte notre système solaire.

Mais et si Voyager 2 n'avait besoin que de quelques watts de puissance ? Pourrait-il survivre assez longtemps pour poursuivre ses explorations loin dans le futur ?

Ce sont les types de questions que les scientifiques se posent au laboratoire national d'Argonne du département américain de l'Énergie (DOE). Ici, Ange Yanguas-Gil, scientifique principal des matériaux dans la division Matériaux appliqués, dirige une équipe interdisciplinaire qui repense la conception des puces informatiques pour non seulement mieux performer et s'adapter, mais pour le faire en utilisant une infime quantité d'énergie, environ un watt.

Pour l'inspiration, l'équipe s'intéresse au cerveau des insectes, comme les fourmis, les abeilles, et les mouches des fruits, qui offrent une nouvelle frontière dans un type d'intelligence artificielle connu sous le nom d'informatique neuromorphique. Ce qu'ils ont trouvé pourrait transformer l'intelligence artificielle sur sa tête artificielle.

Inspiré de la biologie, les puces informatiques nouvellement conçues de l'équipe, qui s'appuient sur de nouveaux plans et matériaux, peut contourner le "cloud" pour apprendre à la volée, économiser radicalement l'énergie et s'adapter aux environnements extrêmes, tels que l'espace lointain et les zones radioactives, tout en fournissant des données fiables, résultats précis.

Le ventre mou de l'intelligence artificielle

L'intelligence artificielle envahit nos vies, offrant d'innombrables avantages tels que l'alimentation d'assistants numériques à commande vocale, guider les voitures autonomes, reconnaître nos visages, et nous aider à répondre automatiquement aux SMS et aux e-mails. IA, cependant, a quelques limites :il s'appuie sur des masses de données et du matériel de plus en plus rapide - auquel il doit toujours être connecté - demande beaucoup de puissance et a une flexibilité limitée.

En quoi l'intelligence artificielle est-elle inflexible ? La réponse réside dans la façon dont une forme populaire d'IA, appelé réseau de neurones, repère des arrangements significatifs dans les données. La plupart des réseaux de neurones, qui découvrent des modèles et des relations dans les données sans programmation explicite, sont statiques, conçu pour une tâche spécifique, comme la reconnaissance d'images. Une fois qu'un réseau apprend cette tâche, il ne peut pas changer de vitesse et commencer à conduire une voiture.

"La scène change, la distribution des données est légèrement différente qu'avant, et ce que vous avez appris ne s'applique plus, " a expliqué Sandeep Maddireddy, informaticien au pôle Mathématiques et Informatique (MCS) d'Argonne, qui a rejoint l'équipe de Yanguas-Gil.

Insectes, d'autre part, sont polyvalents et peuvent résoudre des problèmes de différentes manières, dit Yanguas-Gil.

« Dans un système biologique, le réseau peut apprendre par lui-même et offre un degré de flexibilité beaucoup plus élevé, " il a dit. " La pression évolutive sur les insectes produit très efficace, machines informatiques adaptatives. Les abeilles, par exemple, présentent la moitié du nombre de comportements cognitifs distincts des dauphins, juste dans un volume beaucoup plus petit."

Précis sous pression

Pour prouver ce point, Jeff Elam et Anil Mane, chimistes de Yanguas-Gil et Argonne, ont conçu et simulé une nouvelle puce neuromorphique inspirée de la minuscule structure cérébrale des abeilles, mouches des fruits et fourmis. L'équipe a créé un réseau à partir de zéro qui contient deux découvertes cruciales :

• Filtres et poids dynamiques qui modifient la force de diverses connexions neuronales, en fonction de ce que le système trouve important en temps réel.
• Oxyde de tungstène-aluminium, un matériau nanocomposite primé créé par Elam et Mane, ce qui permettrait à la puce de fonctionner à des niveaux de puissance bien inférieurs à un watt. (Par contre, unités de traitement graphique [GPU], basé sur le traitement conventionnel des semi-conducteurs au silicium, peut consommer 100 watts ou plus par puce.)

Les tests de la nouvelle conception de la puce ont révélé qu'elle était aussi précise que la conception standard, mais il a appris beaucoup plus rapidement et a conservé sa précision, même en dessous de 60 % de taux d'erreur dans son fonctionnement interne.

"Avec les réseaux de neurones, des taux d'erreur de 20 % érodent la précision du système, " a déclaré Yanguas-Gil. "Notre système peut tolérer des taux d'erreur beaucoup plus élevés et maintenir la même précision qu'un système parfait. Cela en fait un bon candidat pour les machines qui passent 30 ans dans l'espace."

Avec ces résultats, l'équipe a remporté le prix du meilleur article en août lors de la conférence sur l'informatique spatiale de l'Institute of Electrical and Electronics Engineers (IEEE) de 2019.

Construire l'esprit de la ruche

Après que son équipe a développé le modèle de la puce neuromorphique, Yanguas-Gil a enrôlé Maddireddy et Prasanna Balaprakash, également informaticien dans la division MCS du laboratoire, et a exploité les puissants outils informatiques d'Argonne pour maximiser ses performances.

À l'aide du superordinateur Theta de l'Argonne Leadership Computing Facility, une installation utilisateur du DOE Office of Science, le duo a exécuté le plan neuromorphique via un progiciel qu'ils ont développé appelé DeepHyper, qui effectue un apprentissage automatique automatisé pour les réseaux de neurones. DeepHyper teste des milliers de configurations différentes de cerveaux d'insectes, générer de meilleures variations jusqu'à ce qu'il identifie la bonne pour une tâche particulière.

Avec chaque ensemble de configurations, DeepHyper apprend, en évaluant puis en générant le prochain ensemble de configuration en fonction de ce qu'il a vu. "Cela fonctionne de la même manière que les humains apprennent à jouer à un jeu, " dit Balaprakash. " Vous jouez, vous obtenez un score, et ensuite, en fonction des retours et de vos erreurs, vous vous améliorez petit à petit."

Dans un scénario de production, tout cet apprentissage sera encodé sur la puce neuromorphique, et la puce elle-même pourra s'adapter, changer de vitesse pour résoudre chaque type de tâche.

Comment changer le jeu

Ces avancées ne sont qu'un début. Une fois que Yanguas-Gil et son équipe ont découvert la conception de puce la plus performante, ils doivent se mettre d'accord sur ses meilleures utilisations. Heureusement, il semble y avoir une demande sans fin pour une puce qui combine l'intelligence informatique, là où elle est nécessaire, avec une faible consommation d'énergie.

Et qu'est-ce qui se passerait si, par exemple, les scientifiques pourraient-ils placer des capteurs de faible puissance dans les forêts nationales pour alerter les incendies de forêt ?

Yanguas-Gil et Balaprakash désignent également les zones urbaines, où la puce pourrait surveiller les produits chimiques potentiellement dangereux. Argonne, en partenariat avec l'Université de Chicago et la Ville de Chicago, a déjà installé 120 dispositifs de détection intelligents dans la ville pour mesurer des facteurs tels que la qualité de l'air, trafic et climat – un projet financé par la National Science Foundation et connu sous le nom de Array of Things.

Ces appareils intelligents utilisent la plateforme technologique Waggle d'Argonne, qui incluent des dispositifs informatiques haute performance programmables à distance afin que les capacités d'IA puissent être intégrées aux capteurs. De cette façon, par exemple, l'analyse d'images peut donner un aperçu de la quantité et de la nature des activités de rue et même des interactions humaines. Dans un sens réel, ces appareils peuvent utiliser des techniques d'IA pour « apprendre » sur leurs environnements afin de détecter des événements ou des modèles nouveaux ou inhabituels.

« Imaginez si ces capteurs pouvaient apprendre en temps réel et détecter les gaz toxiques ? » demanda Balaprakash.

En théorie, Yanguas-Gil convient que les puces neuromorphiques pourraient agir comme des spectromètres de masse pour apprendre en temps réel à reconnaître différents fragments de molécules sans être explicitement programmées. "Ce serait un changement de jeu, " il a dit.