Puces neuromorphiques : la prochaine frontière pour la performance IA

Tim Cook d'Apple a proclamé que l'iPhone X « tracerait la voie technologique pour la prochaine décennie » à son lancement. Son moteur neuronal intégré — le premier ASIC de reconnaissance faciale commercial — a préfiguré l'essor des réseaux neuronaux profonds. Aujourd'hui, les processeurs neuromorphiques émergent comme la seule voie viable pour soutenir les demandes accélérées de l'IA.

Goulots d'étranglement et paradigme neuro-biologique

Confrontés aux goulets d'étranglement de bande passante données et aux besoins computationnels sans cesse croissants, un rapport récent de Yole Développement (Lyon, France) argue que la détection et le calcul doivent émuler les architectures neuro-biologiques pour avancer.

Dans une interview avec EE Times, Pierre Cambou, Analyste Principal Imagerie chez Yole, a déclaré que la détection et le calcul neuromorphiques pourraient résoudre la plupart des défis actuels de l'IA tout en débloquant de nouveaux horizons d'application dans les décennies à venir. « L'ingénierie neuromorphique est la prochaine étape vers le biomimétisme et le moteur du progrès de l'IA », a-t-il expliqué.

Pourquoi maintenant ?

Soixante-dix ans après qu'Alan Turing ait demandé « Les machines peuvent-elles penser ? » et trente ans après que Carver Mead a introduit l'ingénierie neuromorphique, les machines pratiques de type cérébral restaient insaisissables. La marée a tourné avec l'array neuronal programmable par champ de Georgia Tech en 2006 et la puce du MIT en 2011 qui émule le comportement neuronal adaptatif.

La vraie percée est venue quand l'équipe de l'Université de Toronto a publié « ImageNet Classification with Deep Convolutional Neural Networks ». L'architecture AlexNet — un réseau neuronal convolutionnel à huit couches — a permis la première classification réussie de 1,2 million d'images haute résolution en 1 000 catégories, comme chats et chiens. « AlexNet a prouvé que le deep learning est plus puissant et a déclenché l'essor météoritique de l'IA », a noté Cambou.

Limites de la loi de Moore

La plupart des implémentations deep-learning actuelles surfent sur la loi de Moore, et cela a « bien fonctionné ». Mais à mesure que le domaine grandit, la demande pour des puces haute performance, basse consommation dépassera ce que le scaling traditionnel peut livrer. Cambou avertit que le deep learning « échouera » s'il reste lié au paradigme actuel.

Il cite trois obstacles clés. Premièrement, l'économie de la loi de Moore : seulement une poignée d'acteurs peuvent continuer au-delà de 7 nm, risquant un monopole qui étouffe l'innovation. Deuxièmement, les volumes de données dépassent les technologies mémoire, créant un goulot d'étranglement. Troisièmement, le mur de chaleur : une puce 7 nm délivre environ un teraflop par watt, yet alimenter un véhicule autonome pourrait nécessiter environ un kilowatt — ou mille teraflops — un exploit que la technologie actuelle ne peut atteindre. Le matériel neuromorphique, avec son efficacité énergétique supérieure, offre une voie forward.

Cambou exhorte un changement disruptif qui exploite les technologies mémoire émergentes pour booster bande passante et efficacité énergétique — l'essence du calcul neuromorphique. « L'IA continuera d'avancer, et le prochain saut est neuromorphique », dit-il.

Marché et écosystème

Ces dernières années, de multiples initiatives ont construit des neurones silicium qui émulent la cognition. Selon Yole, le marché neuromorphique pourrait croître de 69 millions $ en 2024 à 5 milliards $ en 2029 et 21,3 milliards $ en 2034 si les obstacles techniques sont levés. L'écosystème s'étend aux grands acteurs comme Samsung, Intel et SK Hynix, aux côtés de startups comme Brainchip, Nepes, Vicarious et General Vision.

Crédit : Yole

Neurones et synapses

Le matériel neuromorphique sort du labo, piloté par collaboration à travers les secteurs détection, calcul et mémoire. Joint ventures, alliances stratégiques et projets EU long terme comme le Human Brain Project accélèrent le progrès.

Bien que des produits commerciaux soient improbables avant 2024, l'échelle potentielle est vaste. La puce Loihi 2017 d'Intel — 130 000 neurones artificiels — et son système Pohoiki Beach à 8 millions de neurones illustrent le rythme rapide. TrueNorth d'IBM offre 1 million de neurones et 256 millions de synapses, tandis qu'Akida de Brainchip délivre 1,2 million de neurones et 10 milliards de synapses.

« Les synapses comptent plus que les neurones », a dit Cambou. « Les prochaines étapes impliquent de construire des applications sur les hybrides Von Neumann asynchrones actuels, suivis par des solutions basées RRAM qui ajoutent des milliards de synapses. »

Les leaders mémoire comme Micron, Western Digital et SK Hynix poursuivent des designs neuromorphiques, mais les vraies percées peuvent venir de startups focalisées comme Weebit, Robosensing, Knowm, Memry et Symetrix. Leurs approches memristor et mémoire à changement de phase visent à émuler la plasticité synaptique, tandis que la MRAM est prête à compléter les stacks neuromorphiques.

Écosystème détection neuromorphique

Un écosystème de détection neuromorphique mûrit aussi, enraciné dans le Neurone Silicium de Misha Mahowald en 1991. Aujourd'hui, moins de dix entreprises offrent caméras et capteurs événementiels, incluant Prophesee, Samsung, Insightness, Inivation et Celepixel. L'imagerie frame-based ne peut capturer le mouvement aussi naturellement que l'œil humain ; les dispositifs événementiels fournissent une reconnaissance de patterns temps réel pour scènes dynamiques.

Cambou a noté : « Le cinéma trompe nos cerveaux, mais les ordinateurs ont besoin du même flux d'information visuelle. » Le même principe s'applique aux capteurs auditifs, d'imagerie et comportementaux, critiques pour l'intelligence générale.

Yole projette les revenus de détection neuromorphique à croître de 43 millions $ en 2024 à 2 milliards $ en 2029 et 4,7 milliards $ en 2034.

Automobile, mais pas seulement

Si le secteur automobile est l'adoptant précoce le plus évident, la détection et le calcul neuromorphiques alimenteront d'abord les applications industrielles et mobiles — robotique, perception temps réel, et logistique. « Le deep learning exige des datasets massifs, mais les systèmes neuromorphiques apprennent de quelques images ou mots et capturent la dynamique temporelle », a expliqué Cambou.

Dans une décennie, les puces hybrides in-memory computing pourraient débloquer la conduite autonome grand public, permettant aux ordinateurs d'interpréter des environnements non structurés avec une acuité humaine.