Une intelligence artificielle à faible consommation d'énergie

Résultat scientifique Ingénierie et systèmes

Une équipe associant trois laboratoires du CNRS, le CEA Leti et la startup Hawai.tech, a réalisé un prototype de machine qui réalise une tâche d'intelligence artificielle (reconnaître un geste humain) en utilisant des milliers de fois moins d’énergie qu’une solution traditionnelle. Ces résultats sont publiés dans la revue Nature Electronics.

L'intelligence artificielle progresse à grands pas, notamment grâce aux techniques d'apprentissage automatique (deep learning). Mais le principal inconvénient de ces systèmes est leur forte consommation d'énergie, rédhibitoire pour des applications ''embarquées'', que ce soit dans le domaine médical (suivi de patient), ou dans la surveillance de bâtiments et d'installations industrielles via des capteurs intelligents.

Dans un ordinateur traditionnel, la consommation d'énergie par les algorithmes d'IA est principalement liée aux mouvements de données entre la mémoire et l'unité de calcul, toujours séparés. Pour résoudre ce problème, une équipe associant trois laboratoires du CNRS (le Centre de nanosciences et de nanotechnologies (C2N, CNRS/Université Paris-Saclay), l’Institut matériaux microélectronique nanosciences de Provence, (IM2NP, CNRS/Aix-Marseille université) et l’Institut des systèmes intelligents et robotique (ISIR, CNRS/Sorbonne université)), le CEA-Leti et la startup Hawai.tech, ont réalisé un prototype de machine d'intelligence artificielle basée sur une nouvelle technologie de nanocomposants, les memristors, qui intègrent les fonctions de calcul et de mémoire. Ces résultats ont été publiés dans la revue Nature Electronics.

La nouvelle machine est composée de 2048 memristors en oxyde d’hafnium et 30 080 transistors en silicium. Pour la réaliser, l'équipe a dû relever deux défis : intégrer des technologies électroniques très différentes, et inventer des techniques permettant d'éliminer les erreurs inhérentes aux composants memristors sans augmenter la consommation d'énergie de la machine.

Le prototype met en œuvre des raisonnements bayésiens. Une technique d'intelligence artificielle qui peut fonctionner avec peu d'informations, contrairement au deep learning qui construit un modèle à partir de très nombreux exemples. De plus, les raisonnements bayésiens peuvent être entièrement expliqués, ce qui n'est pas le cas du deep learning.

Les scientifiques ont montré que la machine bayésienne à memristors savait reconnaître un geste humain – l'écriture d'un chiffre ou d'une signature - en utilisant des milliers de fois moins d’énergie qu’une solution basée sur un microcontrôleur traditionnel. Les recherches vont maintenant se poursuivre dans le cadre du PEPR d’accélération Électronique1 .

Par ailleurs, le laboratoire C2N va continuer les recherches sur la machine bayésienne à memristors, avec un prototype à plus grande échelle qui permettra de tester des applications réalistes. Un transfert de la technologie vers la start-up Hawai.tech est envisagé.

Photographie de la machine Bayésienne
Photographie de la machine Bayésienne (dimension 2mmx2mm). Les seize blocs de memristors (apparaissant comme des carrés noirs) sont entourés de circuits à base de transistors.
© Damien Querlioz (CNRS/Université Paris-Saclay)

 

  • 1Le Programme et équipement prioritaire de recherche (PEPR) d’accélération Electronique, piloté par le CNRS et le CEA, s’appuie sur le réseau national des grandes centrales de technologies en micro- et nano-fabrication (Renatech). Son objectif est de générer des innovations pour accélérer la croissance et relocaliser certaines productions en France ou en Europe grâce à des solutions technologiques nouvelles.

Références

A Memristor-Based Bayesian Machine
K.-E. Harabi, T. Hirtzlin, C. Turck, E. Vianello, R. Laurent, J. Droulez, P. Bessière, J.-M. Portal, M. Bocquet, D. Querlioz
Nature Electronics, publié le 19/12/22

https://doi.org/10.1038/s41928-022-00886-9
Article disponible sur la base d’archives ouvertes Arxiv