ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
La première synapse artificielle autonome biomimétique - Par : Hanen Hattab,

La première synapse artificielle autonome biomimétique


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 multidisciplinaire de chercheurs français a développé une synapse artificielle, appelée « memristor », qui participe à l’augmentation de la capacité d’auto-apprentissage des machines. L’apprentissage profond (deep learning) a déjà franchi un pas de géant grâce à la création de l’architecture neuromorphique, qui imite le fonctionnement du cerveau. La technologie que nous allons présenter dans cet article optimisera les capacités des composants cognitifs à gérer, à interpréter et à stocker le flux informationnel.

 

Une démarche biomimétique

La démarche biomimétique de cette équipe consiste à mimer le fonctionnement des connexions neuronales afin de créer une architecture neuromorphique capable d’apprentissage sans intervention externe. L’équipe a, en outre, réalisé un modèle physique permettant d’expliciter la capacité d’apprentissage de la synapse. Vincent Garcia, chercheur permanent au CNRS, spécialiste en nanosciences et chef de l’équipe de recherche, a souligné que le principe auquel ils ont eu recours est déjà utilisé dans les technologies de l’information. Google et Facebook l’explorent dans certains algorithmes qui effectuent des tâches, comme l’identification de personnes sur des photos. Toutefois leur procédé consomme beaucoup d’énergie. Google a conçu, par exemple, un grand réseau de neurones artificiel qui a appris à reconnaître des chats provenant d’images de YouTube. Le système a nécessité 16 000 processeurs fonctionnant pendant trois jours. La technologie memristor, permet d’optimiser les connexions entre les différents composants cognitifs et d’accroître la capacité d’analyse de données complexes comme lors de la reconnaissance visuelle ou vocale.

Fonctionnement de la synapse naturelle

Afin de réduire la consommation des composantes utilisées dans le traitement de l’information et de les rendre plus performants, l’équipe a créé une puce électronique intégrant une synapse qui fonctionne comme une synapse naturelle. Rappelons que la synapse est le phénomène chimique qui assure la transmission du signal nerveux d’un neurone à un autre. La synapse a lieu dans l’espace qui sépare le neurone transmetteur du neurone récepteur. Elle assure la transmission du potentiel d’action grâce à la libération des neurotransmetteurs qui convertissent le message électrique en message chimique. Les travaux de Donald Hebb ont permis de découvrir dans les années 1960 que l’apprentissage repose sur la simulation des synapses. Plus les liaisons synaptiques sont stimulées, plus elles gagnent en plasticité, se renforcent et de facto deviennent plus efficaces. Cette efficacité assure une meilleure connexion du réseau neuronal. Au fur à mesure que les synapses s’exposent aux flux d’information, chacune prend en charge une information particulière, améliorant la faculté d’apprentissage.

Memristor, design, potentiels et applications futures

La synapse artificielle créée par l’équipe est un nano composant électronique multicouche formé de deux électrodes enserrant une fine couche ferroélectrique. Le memristor est capable d’adapter sa résistance aux impulsions électriques, comme une synapse naturelle. D’où le nom de cette technologie, empruntée au professeur du Département de génie électrique et d’informatique de l’université de Californie à Berkeley, Leon Ong Chua, qui a prédit et décrit (mathématiquement), en 1971, un composant électronique qui fonctionne comme cette synapse. En fait, le modèle de Chua se caractérise par une importante capacité de stockage de l’information grâce à son aptitude à varier sa résistance électrique. Des chercheurs de Hewlett-Packard ont déjà réalisé en 2008 un prototype inspiré du modèle de Chua. HP et le fabricant de mémoire SK Hynix ont commencé la réalisation de ce memristor en 2010. Toutefois, ce dernier ne pouvait seulement que reconnaître une information très simple, à savoir un motif noir et blanc.

Le communiqué de presse du CNRS a déclaré que le memristor va « être exploité pour la reconnaissance de forme en temps réel issue d’une caméra innovante ». En effet, la synapse va être intégrée à un appareil relié à une caméra. L’appareil est muni d’un système de traitement des données visuelles asynchrone nommé « Spiral Neural Network with memristive Synapses ». Il sera réalisé par Bosch et exploité dans l’industrie automobile. En effet, l’appareil sera intégré dans les véhicules autonomes afin de détecter et de reconnaître rapidement les objets mouvants dans l’espace.

Ce projet intitulé « Ultra-Low Power Event-Based Camera » est financé par le programme européen Horizon 2020. Il a réuni des chercheurs de l’Unité mixte de physique CNRS/Thales, du Laboratoire de l’intégration du matériau au système (CNRS/Université de Bordeaux/Bordeaux INP), de l’Université d’Arkansas, du Centre de nanosciences et nanotechnologies (CNRS/Université Paris-Sud), de l’Université d’Evry et de Thales. Leur étude intitulée « Learning through ferroelectric domain dynamics in solid-state synapses » a été publiée dans le journal Nature Communications le 3 April 2017. Elle est coécrite par Sören Boyn, Julie Grollier, Gwendal Lecerf, Bin Xu, Nicolas Locatelli, Stéphane Fusil, Stéphanie Girod, Cécile Carrétéro, Karin Garcia, Stéphane Xavier, Jean Tomas, Laurent Bellaiche, Manuel Bibes, Agnès Barthélémy, Sylvain Saïghi, Vincent Garcia.

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)


commentaires

    Laisser un commentaire

    Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *