Certaines tâches, telles que la reconnaissance des modèles et du langage, sont exécutées très efficacement par un cerveau humain, ne nécessitant qu'environ un dix millième de l'énergie d'un ordinateur conventionnel, dit "von Neumann". L'une des raisons réside dans les différences structurelles :dans une architecture von Neumann, il existe une séparation claire entre la mémoire et le processeur, ce qui nécessite un déplacement constant de grandes quantités de données. Cela prend du temps et de l'énergie, c'est ce que l'on appelle le goulot d'étranglement de von Neumann. Dans le cerveau, l'opération de calcul s'effectue directement dans la mémoire des données et les synapses biologiques assurent à la fois les tâches de mémoire et de processeur.

Au Forschungszentrum Jülich, les scientifiques travaillent depuis plus de 15 ans sur des dispositifs de stockage de données spéciaux et des composants qui peuvent avoir des propriétés similaires aux synapses du cerveau humain. Les dispositifs de mémoire dits memristifs, également appelés memristors, sont considérés comme extrêmement rapides et économes en énergie, et peuvent être très bien miniaturisés jusqu'à l'ordre du nanomètre. Le fonctionnement des cellules memristives repose sur un effet très particulier :leur résistance électrique n'est pas constante, mais peut être modifiée et réinitialisée en appliquant une tension externe, théoriquement en continu. Le changement de résistance est contrôlé par le mouvement des ions oxygène. Si ceux-ci sortent de la couche d'oxyde métallique semi-conducteur, le matériau devient plus conducteur et la résistance électrique chute. Ce changement de résistance peut être utilisé pour stocker des informations.

Les processus qui peuvent se produire dans les cellules sont complexes et varient en fonction du système matériel. Trois chercheurs de l'Institut Jülich Peter Grünberg—Prof. Regina Dittmann, le Dr Stephan Menzel et le professeur Rainer Waser ont donc compilé leurs résultats de recherche dans un article de synthèse détaillé, "Nanoionic memristive phenomenes in metal oxides:the valence change Mechanism". Ils expliquent en détail les divers effets physiques et chimiques dans les memristors et mettent en lumière l'influence de ces effets sur les propriétés de commutation des cellules memristives et leur fiabilité.

"Si vous regardez les activités de recherche actuelles dans le domaine des circuits memristors neuromorphiques, elles sont souvent basées sur des approches empiriques de l'optimisation des matériaux", a déclaré Rainer Waser, directeur de l'Institut Peter Grünberg. "Notre objectif avec notre article de synthèse est de donner aux chercheurs quelque chose avec quoi travailler afin de permettre une optimisation des matériaux basée sur la perspicacité." L'équipe d'auteurs a travaillé sur l'article d'environ 200 pages pendant dix ans et a naturellement dû continuer à intégrer les progrès des connaissances.

"Le fonctionnement analogue des cellules memristives nécessaires à leur utilisation comme synapses artificielles n'est pas le cas normal. Habituellement, il y a des sauts soudains de résistance, générés par l'amplification mutuelle du mouvement ionique et de la chaleur joule", explique Regina Dittmann de l'Institut Peter Grünberg. . "Dans notre article de synthèse, nous fournissons aux chercheurs les connaissances nécessaires pour modifier la dynamique des cellules afin de permettre un mode de fonctionnement analogique."

"Vous voyez maintes et maintes fois que des groupes simulent leurs circuits de memristor avec des modèles qui ne tiennent pas du tout compte de la dynamique élevée des cellules. Ces circuits ne fonctionneront jamais", a déclaré Stephan Menzel, qui dirige les activités de modélisation à l'Institut Peter Grünberg et a développé des modèles compacts puissants qui sont maintenant dans le domaine public. "Dans notre article de test, nous fournissons les bases extrêmement utiles pour une utilisation correcte de nos modèles compacts."

Feuille de route de l'informatique neuromorphique

La "feuille de route de l'informatique et de l'ingénierie neuromorphiques", publiée en mai 2022, montre comment l'informatique neuromorphique peut contribuer à réduire l'énorme consommation d'énergie de l'informatique dans le monde. Dans ce document, des chercheurs de l'Institut Peter Grünberg (PGI-7), ainsi que des experts de premier plan dans le domaine, ont compilé les différentes possibilités technologiques, approches informatiques, algorithmes d'apprentissage et domaines d'application.

Selon l'étude, les applications dans le domaine de l'intelligence artificielle, telles que la reconnaissance de formes ou la reconnaissance de la parole, sont susceptibles de bénéficier de manière particulière de l'utilisation de matériel neuromorphique. En effet, ils reposent, bien plus que les opérations de calcul numérique classiques, sur le déplacement de grandes quantités de données. Les cellules memristives permettent de traiter ces gigantesques ensembles de données directement en mémoire sans les transporter dans les deux sens entre le processeur et la mémoire. Cela pourrait réduire de plusieurs ordres de grandeur l'efficacité énergétique des réseaux de neurones artificiels.

Les cellules memristives peuvent également être interconnectées pour former des matrices à haute densité qui permettent aux réseaux de neurones d'apprendre localement. Ce soi-disant edge computing déplace ainsi les calculs du centre de données vers l'usine, le véhicule ou le domicile des personnes nécessitant des soins. Ainsi, la surveillance et le contrôle des processus ou le lancement de mesures de sauvetage peuvent être effectués sans envoyer de données via un cloud.

"Cela permet d'obtenir deux choses à la fois :vous économisez de l'énergie et, en même temps, les données personnelles et les données pertinentes pour la sécurité restent sur place", déclare le professeur Dittmann, qui a joué un rôle clé dans la création de la feuille de route en tant qu'éditeur.

Les études associées ont été publiées dans Advances in Physics et Informatique et ingénierie neuromorphiques . + Explorer plus loin

Le dispositif de mémoire neuromorphique simule les neurones et les synapses