Neurones artificiels à changement de phase d'IBM imitent les pointes cérébrales pour un calcul ultra-dense, basse consommation

La recherche de Manuel Le Gallo inspirera une nouvelle génération de systèmes de calcul neuromorphiques extrêmement denses. (Source : IBM Research – Zurich)

S'inspirant de la communication par pointes du cerveau humain, IBM Research à Zurich a conçu des neurones artificiels qui émulent le comportement « intégrer-et-tirer » observé quand on touche une plaque chaude. Ces dispositifs peuvent détecter des motifs et découvrir des corrélations dans de grands ensembles de données tout en consommant une puissance et occupant un espace comparables au tissu biologique — une réalisation qui a échappé aux scientifiques pendant des décennies.

La percée est détaillée dans l'article « Stochastic phase‑change neurons », qui a fait la couverture de Nature Nanotechnology aujourd'hui. Le travail démontre comment des éléments de mémoire à changement de phase peuvent être configurés pour agir comme des neurones ultra-denses et basse énergie capables d'apprentissage non supervisé à haute vitesse.

J'ai discuté avec le co-auteur et scientifique d'IBM Research – Zurich Manuel Le Gallo, qui termine son doctorat à l'ETH Zurich.

Comment fonctionne un neurone artificiel ?

Manuel Le Gallo : Un neurone artificiel implémente un circuit « intégrer-et-tirer ». Il accumule les signaux entrants ; lorsque le potentiel sommé atteint un seuil, il émet une pointe. Cette simple accumulation peut réaliser des calculs surprenamment complexes.

Qu'est-ce qui a inspiré la conception ?

ML : L'objectif est de refléter la puissance de calcul d'un neurone biologique. Alors que les neurones artificiels traditionnels reposent sur des transistors CMOS, notre approche utilise des dispositifs à changement de phase pour atteindre la même fonctionnalité avec une puissance dramatiquement plus faible et une densité plus élevée.

Quel a été votre rôle ?

ML : Mes recherches sur la physique du changement de phase au cours des trois dernières années ont informé la conception de ces neurones et nous ont permis d'interpréter les données expérimentales présentées dans l'article.

« Nous pensons que notre approche sera plus efficace, surtout pour traiter de grandes quantités de données. »

—Manuel Le Gallo, scientifique IBM Research

Où les neurones artificiels peuvent-ils être appliqués ?

Les minuscules carrés sont des pastilles de contact utilisées pour accéder aux cellules de changement de phase à l'échelle nanométrique (non visibles). Des pointes acérées touchent les pastilles pour modifier la configuration de phase en réponse à l'entrée neuronale. Chaque ensemble de pointes accède à une population de 100 cellules.

ML : Nos expériences montrent qu'un seul neurone avec plusieurs synapses plastiques peut détecter des corrélations temporelles à travers de nombreux flux d'événements binaires — tels que médias sociaux, météo ou données de capteurs IoT — en tirant lorsque les événements s'alignent.

Pourquoi le calcul neuromorphique est-il plus efficace ?

ML : Les architectures conventionnelles séparent mémoire et logique, forçant des transferts de données coûteux. Dans les systèmes neuromorphiques, calcul et stockage coexistent, éliminant les transferts mémoire-vers-logique et réduisant drastiquement la consommation d'énergie, surtout pour les ensembles de données massifs.

---

Manuel Le Gallo a obtenu son Master en génie électrique à l'ETH Zurich et a complété sa thèse à IBM. Il poursuit maintenant un doctorat.

À propos de l'auteur : Millian Gehrer est stagiaire d'été à IBM Research – Zurich, interviewant les scientifiques pour découvrir leur travail. À l'automne, il commencera l'informatique à l'Université de Princeton.