ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
Le memristor, pilier de l’architecture d’un réseau neuronal adaptatif - Par : Hanen Hattab,

Le memristor, pilier de l’architecture d’un réseau neuronal adaptatif


Hanen Hattab
Hanen Hattab est doctorante en sémiologie à l’UQAM. Ses recherches portent sur les pratiques d’art et de design subversifs et contre culturels comme le vandalisme artistique, le sabotage et les détournements culturels.

Une équipe de l’Université du Michigan a créé un nouveau prototype de circuit informatique inspiré de la vision chez les mammifères. Cette nouvelle technologie est capable de traiter des données complexes, telles que les images et les vidéos, plus rapidement et en utilisant moins d’énergie que les systèmes existants les plus avancés en utilisant un algorithme d’apprentissage non supervisé.

Dans les ordinateurs commercialisés actuellement, la communication entre le processeur et la mémoire pour récupérer des données importantes est lente et énergivore. Le système créé par cette équipe pourra traiter les images et les vidéos 1000 fois plus vite avec 10 000 fois moins de puissance sans perte de précision. Le traitement rapide des images peut être utilisé dans plusieurs objets autonomes comme les véhicules sans conducteurs.

Architecture du réseau neuronal adaptatif

Cette technologie utilise un modèle de reconnaissance efficace qui simplifie le processus de traitement d’image. Le modèle fonctionne grâce à un réseau neuronal adaptatif utilisant le memristor en tant qu’unité de traitement et de mémorisation des données.

Les réseaux neuronaux adaptatifs apprennent les caractéristiques d’une image au lieu de mémoriser les valeurs des pixels respectifs. Cette méthode génère des représentations plus simples dans la mémoire – par exemple, seules deux fonctionnalités, «rondes» et «rouges» peuvent suffire à déterminer qu’un feu de circulation indique « arrêter ».

Il s’agit du même fonctionnement que le traitement de l’image par le cerveau des mammifères. L’information visuelle reçue est fragmentée en éléments caractéristiques, entre autres, la forme, la couleur et le mouvement, qui sont transmises aux aires corticales afin de donner un sens à la représentation.

Réception et interprétation de l’information visuelle par le cerveau humain

Comment l’équipe a-t-elle traduit ce schéma neurologique?

Memristor, un composant qui détecte, mémorise et analyse des données

Memristor est un mot-valise en anglais formé à partir des deux mots memory et resistor.

Les memristors sont des composants électroniques passifs qui fonctionnent exactement comme une résistance variable afin de gérer la mémorisation des données. En effet, le memristor régule la valeur du flux électrique correspondant à une donnée en fonction de l’historique de tensions qui leur sont appliquées. Ils peuvent stocker et traiter des données simultanément, ce qui les rend beaucoup plus efficaces que les systèmes existants. En effet, dans un ordinateur classique, les fonctions logiques et de mémoire sont situées dans différentes parties du circuit.

L’objectif du projet est de construire un réseau de memristors qui fonctionnent comme des synapses artificielles entre les circuits qui agissent comme des neurones. Deux modèles seront testés par l’équipe de recherche. Le premier, une version plus simple du réseau, utilise des memristors comme un nœud de mémoire pour stocker les données qui seront par la suite traitées séparément par des algorithmes d’apprentissage supervisés. Le deuxième, à l’architecture plus complexe, imite le cerveau et ce, en utilisant les memristors comme unités synaptiques capables d’auto-apprentissage non supervisés. Ces memristors prendront en charge l’algorithme Sparse qui décodera les données.

Une fois cette architecture complexe construite, des milliers d’images seront stockées dans les memristors. Par la suite, les circuits seront formés à reconnaître les représentations communes à ces images. Les memristors seront chargées également d’effectuer les connexions entre les circuits désormais capables d’identifier une caractéristique ou une forme particulière après l’apprentissage. Lorsqu’une caractéristique similaire est détectée, seuls les circuits associés au modèle ou à la forme particulière se déclenchent et transmettent les informations requises.

L’ensemble de ces circuits et des memristors fonctionne comme les aires du cortex visuel connectées aux autres aires du cerveau, comme par exemple celle de la mémoire, afin de reconnaître un type de mouvement ou une forme ayant un sens particulier. Ainsi, plus le réseau neuronal est exposé à un une représentation pendant l’apprentissage, plus les connexions synaptiques qui détectent cette caractéristique deviennent performantes. Une barre transversale de memristors sera reliée aux circuits et utilisera l’oxyde de tungstène comme régulateur de résistance électrique.

L’équipe dirigée par Wei Lu, professeur de génie électrique et informatique, a reçu un contrat de 5,7 millions de dollars de la Defense Advanced Research Projects Agency (DARPA) pour construire ce système.

L’étude intitulée « Sparse Adaptive Local Learning for Sensing and Analytics » est coécrite par Zhengya Zhang and Michael Flynn du U-M Department of Electrical Engineering and Computer Science, Garrett Kenyon du Los Alamos National Lab et Christof Teuscher de Portland State University. Elle a été publiée dans le journal Nature Nanotechnology le 22 mai 2017.

Hanen Hattab

Profil de l'auteur(e)

Hanen Hattab est doctorante en sémiologie à l’UQAM. Ses recherches portent sur les pratiques d’art et de design subversifs et contre culturels comme le vandalisme artistique, le sabotage et les détournements culturels.

Profil de l'auteur(e)