Des chercheurs de l'Université nationale de Taïwan ont développé un nouveau type de dispositif spintronic qui imite comment les synapses fonctionnent dans le cerveau – offrant un chemin vers des systèmes d'intelligence artificielle plus écoénergétiques et plus efficaces.
Dans une étude publiée dans Science avancéel'équipe a introduit trois nouvelles conceptions de périphériques de mémoire, toutes contrôlées uniquement par courant électrique et sans aucun besoin d'un champ magnétique externe.
Parmi les appareils, celui basé sur « l'anisotropie inclinée » s'est démarquée. Cette structure optimisée a pu obtenir 11 états de mémoire stable avec un comportement de commutation hautement cohérent.
Contrairement aux dispositifs de mémoire conventionnels qui reposent souvent sur des processus physiques instables, cet appareil a démontré une excellente fiabilité avec une variation de cycle / cycle de seulement 2%. Cela le rend idéal pour simuler la façon dont les synapses du cerveau renforcent ou affaiblissent les connexions au fil du temps – critique pour l'apprentissage automatique.
L'équipe est allée plus loin en simulant comment cette mémoire multi-États pourrait être utilisée dans de vrais réseaux de neurones. Ils ont appliqué les états de mémoire de l'appareil à un modèle de réseau neuronal convolutionnel (RESNET-18) pour la classification d'images. En utilisant un processus appelé quantification post-formation, ils correspondaient aux états de mémoire physique aux poids numériques dans le modèle d'IA.
Les résultats ont été impressionnants: avec le dispositif à 11 états, la précision de classification a atteint jusqu'à 81,51% – la même chose que le modèle logiciel non compressé d'origine.
Ces résultats montrent que les synapses spintroniques pourraient alimenter les futures puces neuromorphiques qui sont non seulement plus rapides et plus compactes mais aussi beaucoup plus économes en énergie.
« Notre travail ouvre la voie à un calcul neuromorphique fiable et évolutif en utilisant un contrôle purement électrique », a déclaré le professeur Chi-Feng Pai.
