Des chercheurs de l’Université de Sydney et de l’UCLA ont développé un réseau neuronal physique capable d’apprendre et de se souvenir en temps réel, un peu comme les neurones du cerveau. Cette percée utilise des réseaux de nanofils qui reflètent les réseaux neuronaux du cerveau. L’étude a des implications significatives pour l’avenir de l’intelligence artificielle efficace et à faible consommation d’énergie, en particulier dans les contextes d’apprentissage en ligne.
Étape critique franchie pour développer une intelligence artificielle agile et à faible consommation d’énergie.
Pour la première fois, il a été démontré qu’un réseau neuronal physique apprend et se souvient « à la volée », d’une manière inspirée et similaire au fonctionnement des neurones du cerveau.
Le résultat ouvre la voie au développement d’une intelligence machine efficace et à faible consommation d’énergie pour des tâches d’apprentissage et de mémoire plus complexes et réelles.
Publié aujourd’hui (1er novembre) dans Communications naturellesla recherche est une collaboration entre des scientifiques du Université de Sydney et l’Université de Californie à Los Angeles (UCLA).
Image au microscope électronique du réseau neuronal de nanofils qui s’organise comme des « Pick Up Sticks ». Les jonctions où les nanofils se chevauchent agissent d’une manière similaire au fonctionnement des synapses de notre cerveau, en répondant au courant électrique. Crédit : Université de Sydney
L’auteur principal Ruomin Zhu, doctorant au Nano Institute et à l’École de physique de l’Université de Sydney, a déclaré : « Les résultats démontrent comment les fonctions d’apprentissage et de mémoire inspirées par le cerveau utilisant des réseaux de nanofils peuvent être exploitées pour traiter des données dynamiques en continu.
Réseaux de nanofils
Les réseaux de nanofils sont constitués de minuscules fils qui ne mesurent que des milliardièmes de mètres de diamètre. Les fils s’organisent selon des motifs qui rappellent le jeu pour enfants « Pick Up Sticks », imitant les réseaux neuronaux, comme ceux de notre cerveau. Ces réseaux peuvent être utilisés pour effectuer des tâches spécifiques de traitement de l’information.
Détail de l’image plus grande ci-dessus : réseau neuronal de nanofils. Crédit : Université de Sydney
Les tâches de mémoire et d’apprentissage sont réalisées à l’aide d’algorithmes simples qui répondent aux changements de résistance électronique aux jonctions où les nanofils se chevauchent. Connue sous le nom de « commutation de mémoire résistive », cette fonction est créée lorsque les entrées électriques rencontrent des changements de conductivité, semblables à ce qui se produit avec les synapses de notre cerveau.
Résultats de la recherche et implications
Dans cette étude, les chercheurs ont utilisé le réseau pour reconnaître et mémoriser des séquences d’impulsions électriques correspondant à des images, inspirées de la manière dont le cerveau humain traite l’information.
Image au microscope électronique de l’interaction des électrodes avec le réseau neuronal de nanofils. Crédit : Université de Sydney
Le professeur Zdenka Kuncic, chercheur superviseur, a déclaré que la tâche de mémoire était similaire à la mémorisation d’un numéro de téléphone. Le réseau a également été utilisé pour effectuer une tâche de reconnaissance d’images de référence, en accédant aux images de la base de données MNIST de chiffres manuscrits, une collection de 70 000 petites images en niveaux de gris utilisées dans apprentissage automatique.
« Nos recherches précédentes ont établi la capacité des réseaux de nanofils à mémoriser des tâches simples. Ce travail a étendu ces résultats en montrant que des tâches peuvent être effectuées à l’aide de données dynamiques accessibles en ligne », a-t-elle déclaré.
L’auteur principal Ruomin Zhu de l’Université de Sydney détient la puce conçue pour gérer le réseau neuronal des nanofils. Crédit : Université de Sydney
« Il s’agit d’un pas en avant significatif, car il est difficile de disposer d’une capacité d’apprentissage en ligne lorsqu’il s’agit de traiter de grandes quantités de données qui peuvent évoluer en permanence. Une approche standard consisterait à stocker les données en mémoire, puis à entraîner un modèle d’apprentissage automatique à l’aide de ces informations stockées. Mais cela nécessiterait trop d’énergie pour une application généralisée.
Chercheur superviseur et co-auteur, le professeur Zdenka Kuncic du Nano Institute et de l’École de physique de l’Université de Sydney. Crédit : Université de Sydney
« Notre nouvelle approche permet au réseau neuronal de nanofils d’apprendre et de se souvenir « à la volée », échantillon par échantillon, en extrayant des données en ligne, évitant ainsi une consommation lourde de mémoire et d’énergie.
M. Zhu a déclaré qu’il y avait d’autres avantages à traiter des informations en ligne.
« Si les données sont diffusées en continu, comme par exemple à partir d’un capteur, l’apprentissage automatique qui s’appuie sur des réseaux de neurones artificiels devrait avoir la capacité de s’adapter en temps réel, pour lequel ils ne sont actuellement pas optimisés. » il a dit.
Dans cette étude, le réseau neuronal de nanofils a affiché une capacité d’apprentissage automatique de référence, obtenant un score de 93,4 % dans l’identification correcte des images de test. La tâche de mémoire impliquait le rappel de séquences comportant jusqu’à huit chiffres. Pour les deux tâches, les données ont été diffusées sur le réseau afin de démontrer sa capacité d’apprentissage en ligne et de montrer comment la mémoire améliore cet apprentissage.
