Inspiré par la façon dont les mammifères voient, un nouveau prototype de circuit informatique "memristor" à l'Université du Michigan a le potentiel de traiter des données complexes, tels que des ordres de grandeur d'images et de vidéos, plus rapide et avec beaucoup moins de puissance que les systèmes les plus avancés d'aujourd'hui.

Un traitement d'image plus rapide pourrait avoir de grandes implications pour les systèmes autonomes tels que les voitures autonomes, dit Wei Lu, U-M professeur de génie électrique et d'informatique. Lu est l'auteur principal d'un article sur le travail publié dans le numéro actuel de Nature Nanotechnologie .

Les composants informatiques de nouvelle génération de Lu utilisent la reconnaissance de formes pour raccourcir le processus énergivore utilisé par les systèmes conventionnels pour disséquer les images. Dans ce nouveau travail, lui et ses collègues démontrent un algorithme qui s'appuie sur une technique appelée « codage clairsemé » pour amadouer leur réseau de memristors 32 par 32 afin d'analyser et de recréer efficacement plusieurs photos.

Les memristors sont des résistances électriques à mémoire, des dispositifs électroniques avancés qui régulent le courant en fonction de l'historique des tensions qui leur sont appliquées. Ils peuvent stocker et traiter des données simultanément, ce qui les rend beaucoup plus efficaces que les systèmes traditionnels. Dans un ordinateur conventionnel, les fonctions logiques et de mémoire sont situées à différentes parties du circuit.

« Les tâches que nous demandons aux ordinateurs d'aujourd'hui sont devenues de plus en plus complexes, " a dit Lu. " En cette ère de " big data ", les ordinateurs nécessitent coûteux, des communications constantes et lentes entre leur processeur et leur mémoire pour récupérer de grandes quantités de données. Cela les rend grands, cher et gourmand en énergie."

Mais comme les réseaux de neurones dans un cerveau biologique, les réseaux de memristors peuvent effectuer de nombreuses opérations en même temps, sans avoir à déplacer les données. Par conséquent, ils pourraient activer de nouvelles plates-formes qui traitent un grand nombre de signaux en parallèle et sont capables d'un apprentissage automatique avancé. Les memristors sont de bons candidats pour les réseaux de neurones profonds, une branche de l'apprentissage automatique, qui entraîne les ordinateurs à exécuter des processus sans être explicitement programmé pour le faire.

« Nous avons besoin de notre électronique de nouvelle génération pour pouvoir traiter rapidement des données complexes dans un environnement dynamique. Vous ne pouvez pas simplement écrire un programme pour le faire. Parfois, vous n'avez même pas de tâche prédéfinie, " dit Lu. "Pour rendre nos systèmes plus intelligents, nous devons trouver des moyens pour eux de traiter un grand nombre de données plus efficacement. Notre approche pour y parvenir est inspirée des neurosciences. »

Le cerveau d'un mammifère est capable de générer des balayages, des impressions en une fraction de seconde de ce que les yeux perçoivent. L'une des raisons est qu'ils peuvent rapidement reconnaître différents arrangements de formes. Les humains le font en utilisant seulement un nombre limité de neurones qui deviennent actifs, dit Lu. Les neuroscientifiques et les informaticiens appellent le processus « codage clairsemé ».

« Quand nous jetons un coup d'œil à une chaise, nous la reconnaîtrons parce que ses caractéristiques correspondent à notre image mentale stockée d'une chaise, " dit Lu. "Bien que toutes les chaises ne soient pas identiques et que certaines puissent différer d'un prototype mental qui sert de standard, chaque chaise conserve certaines des caractéristiques clés nécessaires pour une reconnaissance facile. Essentiellement, l'objet est correctement reconnu au moment où il est correctement classé, lorsqu'il est « stocké » dans la catégorie appropriée dans nos têtes. »

De la même manière, Le système électronique de Lu est conçu pour détecter les modèles de manière très efficace et pour utiliser le moins de fonctionnalités possible pour décrire l'entrée d'origine.

Dans nos cerveaux, différents neurones reconnaissent différents schémas, dit Lu.

"Quand nous voyons une image, les neurones qui le reconnaissent deviendront plus actifs, " at-il dit. " Les neurones seront également en concurrence les uns avec les autres pour créer naturellement une représentation efficace. Nous mettons en œuvre cette approche dans notre système électronique. »

Les chercheurs ont entraîné leur système à apprendre un "dictionnaire" d'images. Formé sur un ensemble de motifs d'images en niveaux de gris, leur réseau memristor a pu reconstituer des images de peintures et de photos célèbres et d'autres modèles de test.

Si leur système peut être étendu, ils s'attendent à pouvoir traiter et analyser la vidéo en temps réel dans un système compact qui peut être directement intégré avec des capteurs ou des caméras.