Intelligence artificielle Une équipe de chercheurs du MIT créée des résistances protoniques programmables en...

Pour approfondir le sujet

Sur le même thème :

Intelligence artificielle au service de l’armée britannique : vers une révolution militaire ?

En Grande-Bretagne, le ministère de la défense (MOD) a dévoilé sa toute première stratégie de défense en matière d'intelligence artificielle, qui met en avant...

L’Institut Curie et Janssen France partenaires dans la lutte contre le cancer

Le 4 juillet dernier, l'Institut Curie, premier centre de lutte contre le cancer en France, a annoncé la signature d’un accord-cadre stratégique d'une durée...

Canada : que contient la seconde phase de la Stratégie pancanadienne en matière d’intelligence artificielle ?

Il y a quelques semaines, François-Philippe Champagne, Ministre de l’Innovation, des Sciences et de l’Industrie canadien, a annoncé le lancement de la deuxième phase...

Montréal : le Centre IA de Samsung emménage dans un laboratoire innovant

Alors qu'il est installé à Montréal depuis 2018, Le Centre IA de Samsung a annoncé récemment l’ouverture de nouveaux locaux au centre-ville. Le nouveau...

Une équipe de chercheurs du MIT créée des résistances protoniques programmables en nanosecondes pour l’apprentissage profond analogique

S’il est une activité numérique qui consomme beaucoup d’énergie, demande beaucoup de temps et a des coûts élevés, c’est bien le deep learning. Une approche basée sur le deep learning analogique est à la fois moins énergivore et plus rapide. Une équipe multidisciplinaire du MIT a travaillé à la création de résistances nanométriques protoniques programmables. Son étude, intitulée « Nanosecond protonic programmable resistors for analog deep learning » a été publiée dans la revue Science le 28 juillet dernier.

Les auteurs principaux de cette étude sont Murat Onen, postdoctorant au MIT, Jesús A. del Alamo, professeur Donner au Département de génie électrique et d’informatique (EECS) du MIT ainsi que Ju Li, professeur de science et d’ingénierie nucléaires à la Battelle Energy Alliance et professeur de science et d’ingénierie des matériaux. Frances M. Ross, professeure Ellen Swallow Richards au Département de science et de génie des matériaux, les postdoctorants Nicolas Emond et Baoming Wang ainsi que Difei Zhang, étudiant diplômé de l’EECS, en sont les coauteurs.

Les résistances programmables sont les éléments clés du deep learning analogique, à l’instar des transistors pour les processeurs numériques.

Dans une étude précédente, menée avec le Brookhaven National Lab, (« Protonic solid-state electrochemical synapse for physical neural networks », parue dans Nature Communications), les chercheurs avaient développé une synapse analogique. Le but de l’étude actuelle est de repousser les limites de vitesse de cette synapse.

Le deep learning analogique

Les résistances programmables sont les éléments essentiels au deep learning à l’instar des transistors pour les processeurs numériques.

Si le deep learning analogique est plus rapide et plus économe en énergie que le deep learning numérique, cela tient à deux raisons principales : le calcul est effectué en mémoire, les énormes charges de données ne sont ainsi pas transférées de la mémoire à un processeur, la seconde raison est que les processeurs analogiques effectuent également des opérations en parallèle. Bien que la taille de la matrice augmente, un processeur analogique n’a pas besoin de plus de temps pour effectuer de nouvelles opérations, puisque tous les calculs sont effectués simultanément.

Pour développer une résistance protonique programmable, élément clé du processeur analogique de l’équipe du MIT, qui soit ultra-rapide et très économe en énergie, les chercheurs se sont tournés vers différents matériaux pour l’électrolyte et ont opté pour le verre phosphosilicate inorganique (PSG).

Le PSG est composé de dioxyde de silicium, un matériau déshydratant poudreux que l’on trouver dans les boites lorsqu’on achète des chaussures par exemple. Pour le fabriquer, on ajoute un petit peu de phosphore au silicium afin de lui donner des caractéristiques spéciales pour la conduction des protons.

Murat Onen pensait « qu’un PSG optimisé pourrait avoir une conductivité protonique élevée à température ambiante sans avoir besoin d’eau, ce qui en ferait un électrolyte solide idéal pour cette application. » L’étude lui a donné raison.

Une vitesse surprenante

Le verre phosphosilicate inorganique compte une multitude de pores de taille nanométrique qui ont permis aux protons de se déplacer très rapidement. Il a également la capacité de résister à des champs électriques pulsés très forts. Ceci est essentiel, explique Murat Onen, car l’application de plus de tension à l’appareil permet aux protons de se déplacer à des vitesses aveuglantes.

Il déclare :

« La vitesse était certainement surprenante. Normalement, nous n’appliquerions pas de champs aussi extrêmes sur tous les appareils, afin de ne pas les transformer en cendres. Mais au lieu de cela, les protons ont fini par faire la navette à des vitesses immenses à travers la pile d’appareils, en particulier un million de fois plus vite que ce que nous avions auparavant. Et ce mouvement n’endommage rien, grâce à la petite taille et à la faible masse des protons. C’est presque comme se téléporter. »

Ju Li ajoute :

« L’échelle de temps nanoseconde signifie que nous sommes proches du régime de tunneling balistique ou même quantique pour le proton, sous un champ aussi extrême. »

Les protons n’endommageant pas le matériau, la résistance pourra « fonctionner pendant des millions de cycles sans se décomposer ». Le PSG a permis de créer une résistance protonique programmable qui est un million de fois plus rapide que le dispositif précédent des chercheurs et peut fonctionner efficacement à température ambiante, ce qui est important pour l’intégrer dans le matériel informatique.

Murat Onen ajoute :

« Grâce aux propriétés isolantes du PSG, presque aucun courant électrique ne traverse le matériau lorsque les protons se déplacent. Cela rend l’appareil extrêmement économe en énergie. »

Jesús A. del Alamo, conclut :

« Avec cette idée clé, et les techniques de nanofabrication très puissantes que nous avons à MIT.nano, nous avons été en mesure de rassembler ces pièces et de démontrer que ces dispositifs sont intrinsèquement très rapides et fonctionnent avec des tensions raisonnables. Ce travail a vraiment mis ces appareils à un point où ils semblent maintenant très prometteurs pour de futures applications. »

Sources de l’article :

« Nanosecond protonic programmable resistors for analog deep learning » DOI: 10.1126/science.abp8064

Auteurs : Murat Onen; Nicolas Emond; Baoming Wang; Difei Zhang; Frances M. Ross; Ju Li; Bilge Yildiz; Jesús A. del Alamo

 
Thierry Maubant

Partager l'article

META AI dévoile BlenderBot 3, un projet de recherche sur l’IA conversationnelle

Après avoir présenté BlenderBot en 2020, la mouture BlenderBot 2.0 en 2021, META a dévoilé BlenderBot 3 le 5 août dernier. Comme pour ses...

Reconnaissance faciale : la plateforme « From Numbers to Name » aide à identifier les victimes de l’Holocauste

Le deep learning est aujourd'hui utilisé dans de nombreux domaines, il l'est de plus en plus dans celui de l'histoire. Daniel Patt, un ingénieur...

Lancement de l’appel à candidatures de la phase V des pôles de compétitivité

Alors que la phase IV (2019-2022) des pôles de compétitivité prendra fin en décembre 2022, Bruno Le Maire, Ministre de l’Economie, des Finances et...

Focus sur SMART, programme de l’IARPA visant à identifier et surveiller les constructions à grande échelle grâce au machine learning

L'IARPA (Intelligence Advanced Research Projects Activity), la branche de recherche de la communauté du renseignement aux Etats-Unis, a lancé le programme SMART (Space-based Machine...
Recevoir une notification en cas d'actualité importante    OK Non merci