Intelligence artificielle Une équipe de chercheurs entraîne un réseau de neurones à une dégustation...

Pour approfondir le sujet

Sur le même thème :

Une étude analyse le lien entre le score esthétique attribué aux poissons coralliens et leur statut de conservation grâce aux CNN

Préserver la biodiversité est un enjeu scientifique et sociétal majeur pour répondre aux défis posés par le changement climatique et contribuer aux objectifs du...

DayDreamer : former les robots dans le monde réel grâce à l’apprentissage par renforcement en ligne

L'apprentissage par renforcement profond (deep RL), combinaison de RL et de deep learning, est une approche courante pour l'apprentissage des robots dans des environnements...

Belgique : l’étude Digital4climate conclut que 15 technologies auront un impact positif sur l’empreinte carbone du secteur numérique d’ici 2030

Digital4Climate, étude d'Agoria menée par Accenture, porte sur le potentiel de réduction du carbone des technologies numériques dans les quatre secteurs les plus émetteurs ...

De l’importance du rôle des algues terrestres dans le cycle du carbone

Le mot algue évoque la mer, pourtant il existe aussi des algues terrestres et on peut les trouver aussi bien dans les déserts, les...

Une équipe de chercheurs entraîne un réseau de neurones à une dégustation virtuelle

Une équipe de chercheurs du National Institute of Standards and Technology (NIST), de l’Université du Maryland ainsi que de Western Digital a développé un nouveau type de matériel pour l’IA qui pourrait utiliser moins d’énergie et fonctionner plus rapidement : la jonction tunnel magnétique (MTJ). Pour mener leur recherche dont l’objectif principal était de vérifier si un tableau de MTJ pouvait fonctionner comme un réseau de neurones, ils ont conçu et programmé un réseau de neurones à partir de MTJ et l’ont entraîné à faire une dégustation de vin virtuelle. L’étude, intitulée « Implementation of a Binary Neural Network on a Passive Array of Magnetic Tunnel Junctions » est parue dans Physical Review Applied le 18 juillet dernier.

Les modèles d’IA sont souvent critiqués pour leur empreinte carbone : les algorithmes sont de plus en plus complexes et leur entraînement requiert de plus en plus d’énergie. Selon des chercheurs de l’Université du Massachussets Arhmes, entraîner des réseaux de neurones peut consommer autant d’énergie que 5 voitures, de leur production à leur fin de vie. De nombreuses recherches ont pour but de trouver un moyen de limiter cette consommation.

Les MTJ pourraient représenter une alternative prometteuse : les appareils basés sur eux ont prouvé qu’ils étaient moins énergivores que les appareils traditionnels. L’autre avantage est un fonctionnement beaucoup plus rapide car, contrairement aux puces classiques, ils stockent les données à l’endroit même où ils effectuent leurs calculs. Elles sont d’ailleurs utilisées pour les têtes inductives de lecture des disques durs  ou pour les MRAM.

L’étude

Les scientifiques du programme Hardware for AI du NIST et de l’Université du Maryland ont conçu et programmé un réseau de neurones très simple à partir de MTJ que leur avaient  fourni leurs collaborateurs du centre de recherche de Western Digital, en Californie.

En analysant les différentes caractéristiques des vins, telles que l’acidité, le fruité et l’amertume (représentés par des flacons colorés à gauche), un nouveau système d’IA (au centre) a réussi à déterminer de quel type de vin il s’agissait (à droite). Le système d’IA est basé sur des dispositifs magnétiques connus sous le nom de “jonctions tunnel magnétiques” et a été conçu et construit par des chercheurs du NIST, de l’Université du Maryland et de Western Digital. Photo : J. McClelland/NIST

L’équipe a entraîné le réseau de neurones sur 148 vins d’un ensemble de données de 178 vins, fabriqués à partir de trois types de raisins. Chaque vin virtuel avait 13 caractéristiques à prendre en compte, comme le degré d’alcool, la couleur, les flavonoïdes, l’alcalinité, le magnésium et les cendres. Chaque caractéristique avait une valeur comprise entre 0 et 1 qui allait permettre au réseau  de distinguer un vin d’un autre.

Ensuite, les chercheurs l’ont soumis à un test de dégustation de vin virtuel sur l’ensemble de données complet, y compris sur les 30 vins sur lesquels il n’avait pas été entraîné. Le taux de réussite a été de 95,3 % et le système n’a fait que deux erreurs pour les 30 vins sur lesquels il n’avait pas été entraîné.

Jabez McClelland, physicien au NIST, a déclaré :

« Obtenir 95,3 % nous indique que cela fonctionne. »

l’étude a permis de constater qu’utiliser des MTJ comme synapses pourrait réduire la consommation d’énergie d’un système d’IA de moitié, voire plus, ce qui pourrait permettre une consommation d’énergie inférieure dans des applications telles que les vêtements connectés, les drones miniatures ou les capteurs, qui traitent les données à la source.

Jabez McClelland ajoute :

« Il est probable que des économies d’énergie significatives par rapport aux approches logicielles conventionnelles seront réalisées en mettant en œuvre de grands réseaux de neurones utilisant ce type de réseau. »

Sources de l’article :

J.M. Goodwill, N. Prasad, B.D. Hoskins, M.W. Daniels, A. Madhavan, L. Wan, T.S. Santos, M. Tran, J.A. Katine, P.M. Braganca, M.D. Stiles and J.J. McClelland.

Implementation of a Binary Neural Network on a Passive Array of Magnetic Tunnel Junctions.

Physical Review Applied. Published online July 18, 2022. DOI: 10.1103/PhysRevApplied.18.014039

 
Marie-Claude Benoit

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