En utilisant un matériau proche de ce que l’on trouve dans les sachets de dessicant, le MIT est parvenu à concevoir un puissant processeur analogique. Dédié au deep learning, ses synapses seraient un million de fois plus rapides que celles du cerveau humain.

au sommaire

    Améliorer sans cesse les intelligences artificielles nécessite de plus en plus de puissance de traitement et vient alourdir sans cesse l'empreinte carbonecarbone. Pour alléger les ressources tout en multipliant les performances, aux États-Unis, le MIT (Massachusetts Institute of Technology) mise sur le deep learning analogiqueanalogique. Les laboratoires de l'université affirment avoir mis au point des synapsessynapses analogiques qui seraient un million de fois plus rapides que celles de notre cerveaucerveau humain, pour une consommation moindre.

    Comment ? Grâce à des processeurs dits analogiques. Les processeurs analogiques fonctionnent avec des résistancesrésistances, qui représentent l'équivalent des transistors pour les processeurs numériques. Pour gagner du temps, tout en consommant moins d'énergieénergie, les données sont traitées directement dans la mémoire et non pas transférées dans un processeur. De plus, l'ensemble des calculs se fait en parallèle.

    Un matériau résistant et très conducteur

    Dans le cas des expérimentations du MIT, il s'agissait de résistances protoniques programmables. Le matériaumatériau employé pour la résistance est du verre phosphosilicate inorganique (PSG). C'est l'équivalent de ce qui se trouve dans les petits sachets déshydratant (dessicant) que l'on trouve dans les emballages de certains produits.

    Il est associé à du phosphore au siliciumsilicium qui lui permet d'assurer la conduction des protonsprotons. Avec ce matériau, la vitessevitesse de calcul était de l'ordre de la nanoseconde. Le PSG est capable d'encaisser des tensions énormes sans se rompre, cela permet aux protons de se déplacer vite tout en consommant peu d'énergie. Au final, pour le labo, avec ce procédé il ne s'agit pas de passer d'une voiturette à un bolidebolide, mais directement à un vaisseau spatial. Cette expérimentation devrait permettre aux processeurs analogiques dédiés au deep learning de faire un pas de géant.