Actualités

Publié le 18 janvier 2021

Utiliser la non-idéalité des composants memristors permet d'aller vers l'IA embarquée

L'intelligence artificielle (IA) permet aujourd’hui des applications incroyables, mais au prix d'une très forte consommation d'énergie. Pour cette raison, les objets embarqués comme les appareils médicaux doivent se connecter au cloud pour accéder à l'IA, ce qui soulève des problèmatiques importantes en termes de vie privée et de sécurité. Les memristors sont une nouvelle technologie qui, en raison de sa similarité avec les synapses du cerveau, offre la possibilité de réduire considérablement la consommation d'énergie de l'IA et de l'amener directement aux appareils embarqués, une approche connue sous le nom de « edge computing ». Cependant, les systèmes d'IA basés sur les memristors ne savent pas aujourd’hui apprendre de nouvelles informations : ils doivent être préprogrammés. En effet, la façon dont l'IA apprend est fondamentalement incompatible avec la variabilité des memristors.


Dans ce travail, des chercheurs du CEA LETI et du Centre de Nanosciences et de Nanotechnologies ont utilisé 16 384 memristors en oxyde d’hafnium intégrés avec transistors standard pour montrer que la variabilité des memristors peut être transformée en une fonction permettant un apprentissage au niveau du edge. Cette variabilité peut directement implémenter l'étape d'échantillonnage de l’algorithme Monte Carlo par chaîne de Markov, une technique d'apprentissage d’IA particulièrement adaptée au edge computing. Les chercheurs ont utilisé cette technique pour entraîner des memristors à reconnaître les tissus cancéreux et à détecter des arythmies cardiaques. La précision de ces systèmes basés sur les memristors est équivalente à celle d'implémentations logicielles, avec une consommation d'énergie réduite par un facteur 100 000.


Ces résultats ouvrent la voie à de multiples applications de l'apprentissage au niveau du edge, en particulier pour les systèmes médicaux implantables, et soulignent également que les inconvénients des dispositifs électroniques peuvent parfois être transformés en fonctionnalités puissantes.

Références

In situ learning using intrinsic memristor variability via Markov chain Monte Carlo sampling

Thomas Dalgaty1, Niccolo Castellani1, Clément Turck1, Kamel-Eddine Harabi1, Damien Querlioz2 & Elisa Vianello1

Nat Electron (2021)

DOI https://doi.org/10.1038/s41928-020-00523-3

 

Affiliations

1 CEA, LETI, Université Grenoble Alpes, Grenoble, France

2 Centre de Nanosciences et de Nanotechnologies - C2N (Université Paris - Saclay / CNRS)

 

Contact

Damien Querlioz, Researcher at C2N

figure : Image en coupe obtenue par microscopie électronique du système employé dans cette étude, cointégrant transistors CMOS et memristors (crédits : CEA LETI)