Les synapses comme modèle : la mémoire à l'état solide dans les circuits neuromorphiques
Des scientifiques du Forschungszentrum Jülich publient un guide pour la conception de matériel à base de memristors.
Elles sont plusieurs fois plus rapides que la mémoire flash et nécessitent beaucoup moins d'énergie : les cellules de mémoire memristive pourraient révolutionner l'efficacité énergétique des ordinateurs neuromorphiques. Dans ces ordinateurs, qui s'inspirent du fonctionnement du cerveau humain, les cellules memristive fonctionnent comme des synapses artificielles. De nombreux groupes dans le monde travaillent sur l'utilisation de circuits neuromorphiques correspondants - mais souvent avec un manque de compréhension de leur fonctionnement et avec des modèles défectueux. Les chercheurs de Jülich ont maintenant résumé les principes physiques et les modèles dans un article de synthèse complet publié dans la revue Advances in Physics.
L'image montre schématiquement la connexion de deux neurones biologiques via une synapse. Par souci de clarté, seule une des quelque 10 000 synapses que possède chaque neurone est représentée. Les synapses biologiques doivent être émulées par des dispositifs redox-mémoire, comme indiqué à droite. Grâce à une étape dite de formation, un filament de quelques nanomètres est formé dans une cellule d'oxyde de métal de transition (zircone dans ce cas). Une tension appliquée permet d'attirer les lacunes d'oxygène dans l'espace entre la pointe du filament et l'électrode de gauche, et de réduire la résistance (processus SET). Une polarité de tension inversée renverse le processus (processus RESET).
Forschungszentrum Jülich
Certaines tâches - telles que la reconnaissance des formes et du langage - sont exécutées très efficacement par le cerveau humain, qui ne requiert qu'un dix millième de l'énergie d'un ordinateur conventionnel, dit "von Neumann". L'une des raisons réside dans les différences structurelles : Dans une architecture von Neumann, il existe une séparation nette entre la mémoire et le processeur, ce qui nécessite le déplacement constant de grandes quantités de données. Cela demande du temps et de l'énergie - c'est ce qu'on appelle le goulot d'étranglement de von Neumann. Dans le cerveau, l'opération de calcul a lieu directement dans la mémoire des données et les synapses biologiques remplissent simultanément les fonctions de mémoire et de processeur.
À Jülich, les scientifiques travaillent depuis plus de 15 ans sur des dispositifs et des composants spéciaux de stockage de données qui peuvent avoir des propriétés similaires à celles des synapses du cerveau humain. Les dispositifs de mémoire dits "memristifs", également appelés "memristors", sont considérés comme extrêmement rapides, économes en énergie et peuvent être très bien miniaturisés à l'échelle du nanomètre. Le fonctionnement des cellules memristives repose sur un effet très particulier : Leur résistance électrique n'est pas constante, mais peut être modifiée et remise à zéro en appliquant une tension externe, théoriquement en continu. La modification de la résistance est contrôlée par le mouvement des ions oxygène. Si ceux-ci sortent de la couche d'oxyde métallique semi-conductrice, le matériau devient plus conducteur et la résistance électrique diminue. Cette modification de la résistance peut être utilisée pour stocker des informations.
Les processus qui peuvent se produire dans les cellules sont très complexes et varient en fonction du système de matériaux. Trois chercheurs de l'Institut Peter Grünberg de Jülich - le professeur Regina Dittmann, le docteur Stephan Menzel et le professeur Rainer Waser - ont donc rassemblé les résultats de leurs recherches dans un article de synthèse détaillé intitulé "Nanoionic memristive phenomena in metal oxides : the valence change mechanism". Ils expliquent en détail les différents effets physiques et chimiques dans les memristors et mettent en lumière l'influence de ces effets sur les propriétés de commutation des cellules memristives et leur fiabilité.
"Si vous regardez les activités de recherche actuelles dans le domaine des circuits memristor neuromorphiques, elles sont souvent basées sur des approches empiriques d'optimisation des matériaux", a déclaré Rainer Waser, directeur de l'Institut Peter Grünberg. "Notre objectif, avec notre article de synthèse, est de donner aux chercheurs des éléments sur lesquels travailler pour permettre une optimisation des matériaux fondée sur la connaissance." L'équipe d'auteurs a travaillé pendant dix ans sur cet article d'environ 200 pages et a naturellement dû continuer à intégrer les progrès des connaissances.
"Le fonctionnement analogue des cellules mémristives requis pour leur utilisation comme synapses artificielles n'est pas le cas normal. Habituellement, il y a des sauts soudains de résistance, générés par l'amplification mutuelle du mouvement ionique et de la chaleur Joule", explique Regina Dittmann de l'Institut Peter Grünberg. "Dans notre article de synthèse, nous fournissons aux chercheurs la compréhension nécessaire pour modifier la dynamique des cellules afin de permettre un mode de fonctionnement analogique."
"Vous voyez encore et encore que des groupes simulent leurs circuits de memristors avec des modèles qui ne prennent pas du tout en compte la haute dynamique des cellules. Ces circuits ne fonctionneront jamais", a déclaré Stephan Menzel, qui dirige les activités de modélisation à l'Institut Peter Grünberg et a développé de puissants modèles compacts qui sont désormais dans le domaine public. "Dans notre article de synthèse, nous fournissons les bases qui sont extrêmement utiles pour une utilisation correcte de nos modèles compacts."
Feuille de route de l'informatique neuromorphique
La "Roadmap of Neuromorphic Computing and Engineering", qui a été publiée en mai 2022, montre comment l'informatique neuromorphique peut contribuer à réduire l'énorme consommation d'énergie de l'informatique au niveau mondial. Des chercheurs de l'Institut Peter Grünberg (PGI-7), ainsi que des experts de premier plan dans ce domaine, y ont compilé les différentes possibilités technologiques, les approches informatiques, les algorithmes d'apprentissage et les domaines d'application.
Selon l'étude, les applications dans le domaine de l'intelligence artificielle, telles que la reconnaissance des formes ou de la parole, sont susceptibles de bénéficier d'une manière particulière de l'utilisation de matériel neuromorphique. En effet, elles reposent - bien plus que les opérations classiques de calcul numérique - sur le déplacement de grandes quantités de données. Les cellules memristives permettent de traiter ces gigantesques ensembles de données directement en mémoire, sans les transporter dans les deux sens entre le processeur et la mémoire. Cela pourrait réduire de plusieurs ordres de grandeur l'efficacité énergétique des réseaux neuronaux artificiels.
Les cellules memristives peuvent également être interconnectées pour former des matrices à haute densité qui permettent aux réseaux neuronaux d'apprendre localement. Cette informatique dite de périphérie déplace ainsi les calculs du centre de données vers l'usine, le véhicule ou le domicile des personnes nécessitant des soins. Ainsi, la surveillance et le contrôle des processus ou le déclenchement de mesures de sauvetage peuvent se faire sans envoyer de données via un cloud. "Cela permet de réaliser deux choses en même temps : on économise de l'énergie et, en même temps, les données personnelles et les données relatives à la sécurité restent sur place", explique le professeur Dittmann, qui a joué un rôle clé dans la création de la feuille de route en tant que rédacteur.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Regina Dittmann, Stephan Menzel, Rainer Waser: “Nanoionic memristive phenomena in metal oxides: the valence change mechanism”, Advances in Physics (2022).
D. V. Christensen et al.; “2022 roadmap on neuromorphic computing and engineering”, accepted for publication in Neuromorphic Computing and Engineering (2022).
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
