Des micropuces qui imitent le cerveau humain pourraient rendre l’IA beaucoup plus économe en énergie | Science

L’intelligence artificielle (IA) rend les jeux vidéo plus réalistes et aide votre téléphone à reconnaître votre voix, mais les programmes gourmands en énergie consomment beaucoup d’énergie. Cependant, la prochaine génération d’IA pourrait être 1000 fois plus économe en énergie, grâce à des puces informatiques qui fonctionnent comme le cerveau humain. Une nouvelle étude montre que ces puces neuromorphiques peuvent exécuter des algorithmes d’IA en utilisant seulement une fraction de l’énergie consommée par les puces ordinaires.

“C’est un travail impressionnant”, déclare Steve Furber, informaticien à l’Université de Manchester. De telles avancées, dit-il, pourraient entraîner d’énormes progrès dans les performances de logiciels complexes qui, par exemple, traduisent des langues ou pilotent des voitures sans conducteur.

Un programme d’IA excelle généralement à trouver certains modèles souhaités dans un ensemble de données, et l’une des choses les plus compliquées qu’il fait est de garder des morceaux du modèle droits pendant qu’il assemble le tout. Considérez comment un ordinateur pourrait reconnaître une image. Tout d’abord, il repère les bords bien définis de cette image. Ensuite, il doit se souvenir de ces bords – et de toutes les parties suivantes de l’image – pendant qu’il forme l’image finale.

Un composant commun de ces réseaux est une unité logicielle appelée mémoire longue à court terme (LSTM), qui conserve la mémoire d’un élément à mesure que les choses changent au fil du temps. Un bord vertical d’une image, par exemple, doit être conservé en mémoire car le logiciel détermine s’il représente une partie du chiffre « 4 » ou la portière d’une voiture. Les systèmes d’IA typiques doivent suivre des centaines d’éléments LSTM à la fois.

Les réseaux actuels de LSTM fonctionnant sur des puces informatiques conventionnelles sont très précis. Mais les puces sont gourmandes en énergie. Pour traiter des éléments d’information, ils doivent d’abord récupérer des éléments individuels de données stockées, les manipuler, puis les renvoyer au stockage. Et puis répétez cette séquence encore et encore et encore.

Intel, IBM et d’autres fabricants de puces ont expérimenté une conception de puce alternative, appelée puces neuromorphiques. Ceux-ci traitent les informations comme un réseau de neurones dans le cerveau, dans lequel chaque neurone reçoit des entrées des autres dans le réseau et se déclenche si l’entrée totale dépasse un seuil. Les nouvelles puces sont conçues pour avoir l’équivalent matériel de neurones reliés entre eux dans un réseau. Les programmes d’IA s’appuient également sur des réseaux de faux neurones, mais dans les ordinateurs conventionnels, ces neurones sont entièrement définis dans le logiciel et résident donc, virtuellement, dans les puces de mémoire séparées de l’ordinateur.

La configuration d’une puce neuromorphique gère la mémoire et le calcul ensemble, ce qui la rend beaucoup plus économe en énergie : nos cerveaux n’ont besoin que de 20 watts de puissance, soit à peu près la même chose qu’une ampoule à faible consommation d’énergie. Mais pour tirer parti de cette architecture, les informaticiens doivent réinventer la manière dont ils exécutent des fonctions telles que LSTM.

C’est la tâche qu’a entreprise Wolfgang Maass, informaticien à l’Université de technologie de Graz. Lui et ses collègues ont cherché à reproduire un mécanisme de stockage de la mémoire dans notre cerveau que les réseaux de neurones biologiques exécutent, appelé courants post-hyperpolarisants (AHP). Après le déclenchement d’un neurone dans le cerveau, il revient généralement à son niveau de base et reste au repos jusqu’à ce qu’il reçoive à nouveau suffisamment d’entrées pour dépasser son seuil. Mais dans les réseaux AHP, après avoir tiré une fois, un neurone est temporairement empêché de tirer à nouveau, une période morte qui aide en fait le réseau de neurones à conserver les informations tout en dépensant moins d’énergie.

Maass et ses collègues ont intégré un modèle de déclenchement de neurones AHP dans leur logiciel de réseau neuronal neuromorphique et ont fait passer leur réseau par deux tests d’IA standard. Le premier défi consistait à reconnaître un « 3 » écrit à la main dans une image divisée en centaines de pixels individuels. Ici, ils ont découvert que lorsqu’ils étaient exécutés sur l’une des puces Loihi neuromorphiques d’Intel, leur algorithme était jusqu’à 1000 fois plus économe en énergie que les algorithmes de reconnaissance d’image basés sur LSTM exécutés sur des puces conventionnelles.

Pour leur deuxième test, dans lequel l’ordinateur devait répondre à des questions sur la signification d’histoires de 20 phrases maximum, la configuration neuromorphique était jusqu’à 16 fois plus efficace que les algorithmes exécutés sur des processeurs informatiques conventionnels, rapportent les auteurs cette semaine dans Intelligence des machines naturelles.

Maass note que ce deuxième test a été effectué sur une série de 22 puces Loihi de première génération d’Intel, qui consomment des quantités relativement importantes d’énergie pour communiquer entre elles. La société a depuis sorti une puce Loihi de deuxième génération, chacune avec plus de neurones, qui, selon lui, devrait réduire le besoin de communication puce à puce et ainsi rendre le logiciel plus efficace.

Pour l’instant, peu de puces neuromorphiques sont disponibles dans le commerce. Ainsi, les applications à grande échelle ne verront probablement pas le jour rapidement. Mais des algorithmes d’IA avancés, tels que ceux que Maass a démontrés, pourraient aider ces puces à prendre pied sur le marché, explique Anton Arkhipov, neuroscientifique en informatique à l’Institut Allen. “À tout le moins, cela aiderait à accélérer les systèmes d’IA.”

Cela, à son tour, pourrait conduire à de nouvelles applications, telles que des assistants numériques IA qui pourraient non seulement inciter quelqu’un avec le nom d’une personne sur une photo, mais aussi lui rappeler où il s’est rencontré et raconter des histoires de son passé ensemble. En incorporant d’autres modèles de déclenchement neuronal dans le cerveau, Mass dit que les futures configurations neuromorphiques pourraient même un jour commencer à explorer comment la multitude de modèles de déclenchement neuronal fonctionnent ensemble pour produire la conscience.

Leave a Comment

Your email address will not be published.