Informatique neuromorphique
- Michel Louis
- il y a 4 jours
- 5 min de lecture
Dernière mise à jour : il y a 3 jours
Introduction
L’informatique neuromorphique est une approche de calcul inspirée du fonctionnement physiologique du cerveau humain.
Elle repose sur des architectures capables de traiter l’information de manière événementielle, distribuée et très économe en énergie, comme nous le faisons biologiquement.
Dans un monde où les approches conventionnelles en matière d’intelligence artificielle touchent à leurs limites dans les structures informatiques von Neumann (distinction nette entre la mémoire et le processeur) le neuromorphisme émerge comme une option prometteuse pour l’IA embarquée, la robotique et les systèmes critiques.
Définition de l’informatique neuromorphique
L’informatique neuromorphique désigne des technologies matérielles et logicielles reproduisant les mécanismes biologiques du cerveau : neurones, synapses, impulsions électriques, plasticité synaptique et parallélisme massif, le tout avec un fort niveau d’intégration.
Elle se caractérise par un traitement événementiel, une consommation énergétique minimale, une architecture distribuée sans horloge centrale et un apprentissage continu.
Historique et évolution
Les fondations (années 1940–1980)
Les premiers modèles neuronaux artificiels apparaissent en 1943 avec McCulloch et Pitts.
Les décennies suivantes voient émerger la cybernétique, les premiers modèles de plasticité synaptique et les bases de la neurophysiologie moderne.
L’apparition du terme « neuromorphique »
Carver Mead introduit le terme en 1989. Il propose de concevoir des circuits analogiques imitant directement les neurones biologiques, ouvrant la voie à une nouvelle génération de systèmes électroniques inspirés du vivant.
L’essor des architectures modernes (2000–2020)
L’explosion du deep learning met en évidence les limites énergétiques des architectures classiques, très énergivores, et moyennement efficientes.
Les années 2010 voient l’émergence de plateformes neuromorphiques majeures, comme IBM TrueNorth, Intel Loihi, SpiNNaker (Manchester University) et BrainScaleS, un projet européen auquel participe aussi la Suisse.
Les neurones impulsionnels (Spiking Neural Networks)
Les réseaux neuronaux impulsionnels utilisent des spikes (réseau de neurones artificiel à impulsions) pour communiquer. Proche de celle d’un cerveau humain, cette approche permet un traitement événementiel, un parallélisme massif et une consommation énergétique très faible.
Plasticité synaptique
Les systèmes neuromorphiques intègrent des mécanismes d’apprentissage inspirés du vivant, comme la plasticité dépendante du timing des spikes (STDP). Ces mécanismes permettent un apprentissage continu et local.
Architecture distribuée
Les systèmes neuromorphiques fonctionnent sans horloge centrale. Chaque neurone traite localement l’information, ce qui réduit les transferts mémoire-processeur et améliore la scalabilité (en informatique, une augmentation de charge exponentielle).
Un peu de technique ?
Les mécanismes neurologiques et biologiques sont modélisés dans les systèmes de calcul neuromorphique grâce aux réseaux de neurones artificiels à impulsions (RNI).
Dans certaines architectures neuromorphiques, les synapses artificielles sont des dispositifs à base de transistors, utilisant des circuits pour transmettre les signaux électriques.
D’autres utilisent le récent « memristor », évoqué plus loin dans cet article.
Dans tous les cas, les synapses artificielles comprennent une composante d'apprentissage algorithmique bio-inspirée, qui modifie leurs valeurs en fonction de leurs activités au sein du réseau neuronal à impulsions.
Les prototypes neuromorphiques
IBM TrueNorth
Toujours en pointe sur les nouvelles technologies, Big Blue travaille sur TrueNorth, une puce neuromorphique intégrant un million de neurones et 256 millions de synapses. Elle est adaptée à la reconnaissance de motifs et au traitement sensoriel embarqué.
Intel Loihi et Loihi 2
Bien qu’en difficulté commerciale, le géant Intel maintient ses recherches en la matière avec Loihi, est une architecture neuromorphique numérique programmable qui intègre des mécanismes d’apprentissage en ligne.
La seconde itération, Loihi 2, améliore la densité neuronale, la flexibilité logicielle et l’efficacité énergétique.
SpiNNaker
Porté par l’université de Manchester, SpiNNaker utilise des millions de cœurs ARM interconnectés pour simuler des réseaux neuronaux impulsionnels en temps réel. Il est largement utilisé en neurosciences computationnelles.
BrainScaleS
Lancée en 2015, le projet européen communautaire BrainScaleS adopte une approche analogique accélérée, reproduisant la dynamique neuronale à une vitesse jusqu’à 10 000 fois supérieures à celle du cerveau biologique. De nombreuses universités participent à ce projet, dont celles de Zürich, et l’EPFL.
Applications de l’informatique neuromorphique
Cybersécurité
Les systèmes neuromorphiques peuvent détecter des schémas ou des activités inhabituelles susceptibles de signaler des cyberattaques, voir des intrusions.
Grâce à la faible latence et à la rapidité de calcul des dispositifs neuromorphiques, qui peuvent directement être intégrés dans les composantes d’un réseau, ces menaces pourraient être rapidement neutralisées.
Robotique autonome
Les robots neuromorphiques peuvent analyser leur environnement en temps réel, réagir à des situations imprévues et apprendre de nouvelles tâches sans réentraînement massif, et avec une dépense d’énergie contenue, ce qui est particulièrement important pour des systèmes embarqués autonomes.
Vision artificielle
Les caméras événementielles produisent des flux impulsionnels compatibles avec les architectures neuromorphiques. Elles permettent la détection de mouvement ultrarapide, le suivi d’objets et l’analyse de scènes dynamiques en temps réels.
Véhicules autonomes
Grâce à ses performances et aux gains considérables en matière d'efficacité énergétique, l'informatique neuromorphique peut améliorer les capacités d'un véhicule autonome, permettant une correction de trajectoire plus rapide et une meilleure prévention des collisions, notamment, tout en réduisant les émissions énergétiques grâce à sa faible consommation.
Edge computing et IoT
L’informatique neuromorphique permet aussi d’intégrer des capacités d’IA dans des dispositifs très contraints, tels que des capteurs intelligents, des drones, des dispositifs médicaux implantables ou encore des systèmes de surveillance à faible consommation.
Modélisation du cerveau
Les neurosciences computationnelles utilisent les systèmes neuromorphiques pour simuler des réseaux neuronaux biologiques à grande échelle.
Perspectives de l'informatique neuromorphique
Ces systèmes présentent de nombreux avantages, dont une très faible consommation énergétique, de hautes performances, incluant traitement en temps réel et apprentissage continu, une architecture distribuée et une compatibilité avec les capteurs événementiels, pour ne citer que les plus connus.
L’informatique neuromorphique pourrait transformer l’IA embarquée, la robotique autonome, les interfaces cerveau-machine et les systèmes critiques nécessitant une faible consommation.
Elle ouvre la voie à des architectures hybrides combinant le deep learning et le neuromorphique, ainsi qu’à des systèmes capables d’auto-organisation et d’adaptation permanente.
Mais aussi…
Côté matériel, tout est à faire ou presque : les « memristors » expérimentaux (mot composé de memory et resitor) qui sont utilisés pour stocker l’information dans certains réseaux neuromorphiques, peuvent présenter d’importantes variations, ce qui diminue la précision.
D’autres voies sont explorées, comme les matériaux ferroélectriques et les matériaux à changement de phase, mais cela reste expérimental.
Sans compter les difficultés de programmation, les outils logiciels encore immatures inhérents à toute technologie émergente, et le manque de standardisation qui ralentissent l’adoption industrielle, qui serait pourtant la seule à permettre la création de standards reconnus.
Conclusion.
L’informatique neuromorphique pourrait transformer l’IA embarquée, la robotique autonome, les interfaces cerveau-machine et les systèmes critiques nécessitant une faible consommation.
Elle inaugure une nouvelle ère dans l’architecture informatique, en combinant apprentissage profond et neuromorphique, tout en permettant l’émergence de systèmes capables d’auto-organisation et d’adaptation continue.
Dans ce premier quart de 21e siècle, de nouvelles technologies majeures sont en passe de s’agréger, et nombre d’entre elles sont des ruptures : IA génératrice, cryptographie quantique, robotique autonome, informatique neuromorphique, bientôt peut-être, quantique, il est des périodes sociétales aussi troublées que fécondes qui peuvent catapulter la science, et nous vivons l’une d'elles !
Pour aller plus loin :
Commentaires