Qu'est-ce que l'informatique neuromorphique ?

L'innovation consiste à chercher de nouvelles approches scientifiques pour résoudre ou atténuer les limites des technologies de pointe. Si l'on regarde l'état actuel de l'IA, elle est extrêmement puissante et capable d'accomplir des choses qui semblaient impossibles il y a encore quelques années. Cependant, nombre de ces systèmes restent inefficaces et très gourmands en ressources. 

Comme nous l'expliquons dans un article dédié à l'IA durable, l'entraînement et l'exécution des systèmes d'IA modernes nécessitent d'énormes quantités d'électricité, d'eau et de ressources, ce qui entraîne une empreinte environnementale en forte croissance. Dans ce contexte, il n'est pas surprenant que Sam Altman, CEO d'OpenAI, l'entreprise derrière ChatGPT et d'autres modèles d'IA générative réussis, ait déclaré que l'avenir de l'IA dépendra de percées énergétiques. 

En attendant l'avènement tant attendu de nouvelles sources d'énergie (propre), les chercheurs explorent des voies pour réduire la facture énergétique des technologies d'IA actuelles grâce à des approches de calcul plus efficaces.

C'est là que l'informatique neuromorphique entre en jeu. Il s'agit d'une approche du calcul inspirée de la structure et du fonctionnement du cerveau humain. Elle implique un changement de paradigme visant à simuler les structures et fonctions neuronales et synaptiques du cerveau pour traiter l'information. L'objectif est de créer des systèmes d'IA inédits, plus performants et plus efficaces que les modèles d'apprentissage profond d'aujourd'hui.

Cet article vous donne les clés pour démarrer dans le domaine prometteur de l'informatique neuromorphique. Nous passerons en revue les bases de ce paradigme, ses principales applications, ainsi que ses atouts et ses défis.

Qu'est-ce que l'informatique neuromorphique ?

L'informatique neuromorphique est une approche révolutionnaire de conception matérielle et logicielle qui imite le cerveau humain, offrant une alternative plus efficace et plus durable au calcul traditionnel pour alimenter des systèmes d'IA avancés.

Les dernières décennies ont vu une amélioration continue des capacités informatiques. Des simples calculatrices aux systèmes complexes exploitant l'IA et l'apprentissage automatique pour prédire toutes sortes d'événements avec une précision inédite et générer du contenu (par exemple, ChatGPT), l'évolution de l'informatique raconte beaucoup de notre société et du chemin parcouru.

Cependant, les ordinateurs modernes atteignent leurs limites. Avec la montée en puissance de l'IA, les approches de calcul actuelles se révèlent inefficaces, lentes et énergivores. Les ressources nécessaires pour rendre les systèmes d'IA omniprésents sont, il faut bien le dire, excessives et difficiles à justifier d'un point de vue environnemental. 

L'informatique neuromorphique propose une approche inédite pour répondre aux limites des machines actuelles. Même si le terme n'est pas nouveau (il remonte aux années 1980, lorsque les chercheurs Misha Mahowald et Carver Mead ont développé la première rétine et la première cochlée en silicium, ainsi que les premiers neurones et synapses en silicium, pionniers du paradigme neuromorphique), elle gagne rapidement du terrain. 

Elle propose de revoir complètement la façon dont on conçoit et développe le matériel et les logiciels. L'ambition est de créer des composants informatiques qui émulent le cerveau et le système nerveux humains. 

Comment fonctionne l'informatique neuromorphique ?

Pour comprendre le fonctionnement de l'informatique neuromorphique, il faut d'abord comprendre comment fonctionne le cerveau humain. 

En résumé, les fonctions de traitement et de mémoire sont assurées par les neurones et les synapses. Ces neurones et synapses envoient et transportent l'information dans le cerveau à une vitesse quasi instantanée, avec une consommation d'énergie quasi nulle. Ces fonctions expliquent, par exemple, pourquoi nous distinguons très vite un chat d'un chien ou pourquoi nous freinons dès que nous voyons un piéton au milieu de la route.  

La clé de notre capacité exceptionnelle à appréhender la complexité du réel est que les fonctions de traitement et de mémoire ont lieu au même endroit. C'est fondamentalement différent des ordinateurs traditionnels, qui séparent unités de mémoire et de calcul. 

Si cette architecture est très efficace pour des opérations complexes, comme prédire s'il pleuvra demain, elle est loin d'être idéale pour des tâches que les humains résolvent facilement, comme la reconnaissance d'images, le raisonnement ou la marche.

La révolution neuromorphique promet d'exécuter ces tâches sur une seule puce, spécifiquement conçue pour faire tourner des réseaux de neurones dits à impulsions (SNN, pour Spiking Neural Networks), un type de réseau de neurones artificiels composé de neurones et de synapses à décharges. Consultez notre article dédié pour découvrir ce que sont les réseaux de neurones plus en détail.

Les SNN se distinguent des réseaux neuronaux classiques car ils évitent les transferts de données entre la mémoire (RAM) et les unités de calcul (CPU ou GPU). Ils sont aussi événementiels : ils ne traitent l'information que lorsque des événements pertinents se produisent (sur la base d'un mécanisme de déclenchement par seuils activant les neurones). 

Résultat : les SNN peuvent accélérer le traitement et réduire la consommation d'énergie. Ces gains de latence peuvent faire une grande différence, notamment pour les tâches qui dépendent de données capteurs en temps réel, comme les caméras des véhicules autonomes.

Applications de l'informatique neuromorphique

L'informatique neuromorphique peut amorcer une révolution aux fortes implications industrielles. Si les promesses de gains d'efficacité inédits se concrétisent et se généralisent, elle pourrait changer la donne dans de nombreux cas d'usage, en accélérant leur développement et leur déploiement.

Voici une sélection des applications les plus prometteuses susceptibles d'en bénéficier.

Intelligence artificielle et apprentissage automatique

L'IA est l'une des technologies les plus disruptives et transformatrices que nous ayons développées. Ses usages sont sans fin, mais, comme mentionné précédemment, les ordinateurs actuels ne sont pas idéalement conçus pour exploiter tout le potentiel de l'IA. 

Heureusement, l'informatique neuromorphique propose une approche innovante déjà particulièrement adaptée aux tâches et problèmes exigeant efficacité énergétique, parallélisme et capacité d'adaptation, comme la reconnaissance de motifs et le traitement sensoriel. Par exemple, l'apprentissage automatique neuromorphique a été utilisé pour reconnaître des motifs en langage naturel ou pour la reconnaissance faciale.

Véhicules autonomes

Un excellent exemple d'application où l'informatique neuromorphique peut tout changer, car elle requiert du traitement sensoriel, est celui des voitures autonomes. Les constructeurs utilisent de multiples caméras et capteurs intelligents pour analyser l'environnement et permettre à leurs véhicules de détecter objets, marquages au sol et panneaux afin de rouler en sécurité. 

Grâce à leurs hautes performances et à leur faible latence, les ordinateurs neuromorphiques peuvent améliorer les capacités de navigation des véhicules autonomes, en permettant des décisions plus rapides et plus précises — indispensables pour minimiser les risques d'accident — tout en réduisant fortement la consommation d'énergie. In fine, cela se traduirait par une autonomie de batterie accrue.

Si les aspects techniques des véhicules autonomes vous intéressent, voici un projet DataCamp pour détecter les panneaux de signalisation avec l'apprentissage profond qui peut vous aider à vous lancer.

Robotique

Dans la même veine que les véhicules autonomes, l'informatique neuromorphique est considérée comme une technologie clé pour faire franchir un cap à la robotique. De nouveaux robots équipés de capteurs neuromorphiques pourraient mieux répondre aux défis classiques du domaine, comme l'apprentissage et la prise de décision en temps réel dans des situations réelles, tout en tenant compte des contraintes de batterie. 

Curieux de savoir comment les machines interagissent avec leur environnement ? Lisez cet article pour en savoir plus sur la perception machine et les capteurs intelligents.

Edge computing

La plupart des systèmes d'IA avancés s'appuient souvent sur des serveurs cloud distants pour les tâches lourdes. Cette approche peut poser problème pour des applications nécessitant des réponses rapides, comme les voitures autonomes, ou fonctionnant sur des appareils aux ressources limitées. L'edge computing y répond en rapprochant les capacités d'IA directement sur l'appareil.

Les avancées en informatique neuromorphique devraient révolutionner l'edge computing. Grâce à la faible consommation énergétique des puces neuromorphiques, les smartphones et toutes sortes d'objets connectés — qui ont d'ordinaire une autonomie limitée — pourront exécuter de nouvelles tâches autrefois très énergivores. 

Avantages de l'informatique neuromorphique

Voici quelques-unes des raisons pour lesquelles PwC a récemment classé l'informatique neuromorphique parmi les huit technologies émergentes incontournables du moment. 

Efficacité énergétique

L'informatique neuromorphique pourrait poser les bases d'une nouvelle ère du calcul intelligent. De nouveaux composants matériels et logiciels se traduiront par des gains d'efficacité, tant en traitement des données qu'en consommation électrique. Ces améliorations aideront les entreprises à réduire leurs coûts opérationnels, à développer des systèmes d'IA plus rapides et plus précis et, espérons-le, à diminuer leur empreinte carbone. 

Traitement parallèle

Le traitement parallèle consiste à décomposer une tâche de calcul en sous-tâches réparties sur plusieurs serveurs, qui les exécutent ensuite simultanément et plus vite. Les caractéristiques des SNN les rendent particulièrement adaptés aux tâches nécessitant du parallélisme, comme la reconnaissance de motifs. 

Apprentissage et adaptabilité en temps réel

Les ordinateurs neuromorphiques basés sur des SNN excellent en apprentissage et adaptabilité en temps réel. Cette flexibilité et cette polyvalence peuvent être cruciales pour des applications d'IA qui requièrent apprentissage continu et prise de décision rapide, comme les robots ou les véhicules autonomes.

Défis et limites

Bien que les bénéfices de l'approche neuromorphique soient clairs, la technologie est encore jeune et pas prête à se généraliser. Voici quelques défis à relever.

Manque de standards

Malgré un nombre croissant de projets neuromorphiques, la plupart se trouvent dans des laboratoires et universités bien financés. Cela suggère que la technologie n'est pas encore prête pour le marché. Il manque encore des standards matériels et logiciels, sans lesquels la mise à l'échelle est quasiment impossible.

Accessibilité limitée

Ce manque de standards signifie aussi que nous manquons encore du vocabulaire commun pour nommer et décrire les composants et propriétés des ordinateurs neuromorphiques. Cela explique pourquoi seule une petite communauté d'experts dans le monde maîtrise l'informatique neuromorphique. Comme le souligne Andreea Danielescu, associate director chez Accenture Lab :