Une percée dans l’informatique neuromorphique pourrait perturber l’IA

Les scientifiques créent un transistor organique de type cerveau capable d’apprendre et d’évoluer.

Source: geralt / pixabay

Le cerveau humain est un système cognitif remarquablement complexe et efficace en énergie. Les scientifiques et les chercheurs considèrent l’architecture du cerveau comme une source d’inspiration pour l’intelligence artificielle (IA), l’apprentissage automatique et l’apprentissage en profondeur. Les concepts sur les réseaux de neurones artificiels (RNA) sont quelque peu analogues au cerveau, avec des nœuds artificiels au lieu de neurones. L’informatique neuromorphique est une entreprise interdisciplinaire faisant appel à la physique, aux mathématiques, au génie électronique, à la biologie, à l’informatique et aux neurosciences, afin de créer des systèmes neuronaux artificiels qui ressemblent à l’architecture du cerveau. Une équipe de scientifiques de l’Université de Linköping en Suède a récemment franchi une étape décisive dans l’informatique neuromorphique en créant un nouveau transistor d’apprentissage. Ils ont publié leurs résultats hier dans Advanced Science .

L’apprentissage automatique est aujourd’hui effectué sur des circuits préfabriqués. Le cerveau, en revanche, est capable de créer de nouvelles connexions là où il n’y en avait pas auparavant. L’équipe de recherche de Simone Fabiano, Jennifer Y. Gerasimov, Roger Gabrielsson, Robert Forchheimer, Eleni Stavrinidou, Daniel T. Simon et Magnus Berggren a créé un transistor électrochimique organique (OECT) qui peut apprendre, créer de nouvelles connexions entre entrée et sortie, et a la mémoire à court terme et à long terme.

• Cherchez-vous le négatif même lorsque de bonnes choses se produisent?
• Que faire si vous avez une dépendance au travail
• Cinq raisons pour lesquelles votre animal peut être plus intelligent que vous
• Le manque chronique de sommeil peut avoir de graves conséquences
• 7 vérités psychologiques essentielles sur les fantômes

Un transistor électrochimique organique peut amplifier ou commuter des signaux électroniques et s’alimenter grâce à l’injection d’ions provenant d’une solution électriquement conductrice (électrolyte) dans un canal semi-conducteur. Les transistors électrochimiques organiques actuels utilisent typiquement un polymère conducteur appelé PEDOT. Roger Gabrielsson, membre de l’équipe de recherche du laboratoire d’électronique organique de l’Université de Linköping, a développé un monomère appelé ETE-S.

Lorsque les signaux d’entrée sont manipulés, «la force de la réponse du transistor à un stimulus donné peut être modulée dans une plage couvrant plusieurs ordres de grandeur», ont écrit les chercheurs. Ainsi, le transistor électrochimique organique de l’équipe a pu se comporter d’une manière similaire à la neuroplasticité à court et à long terme du cerveau. La neuroplasticité est la capacité du cerveau à se réorganiser en formant de nouvelles connexions neuronales.

Selon Simone Fabiano, chercheuse principale en nanoélectronique organique au Laboratoire d’électronique organique du Campus Norrköping, «C’est la première fois qu’une formation en temps réel de nouveaux composants électroniques est présentée dans des dispositifs neuromorphes.”

• Trois manières potentielles de devenir plus conscientes
• Smartphone Addiction, Revisited
• Comment gérer le «brouillard cérébral» quand vous êtes chroniquement malade
• Pourquoi minimisons-nous les médias sociaux et ignorons-nous leurs avantages?
• Préoccupé par le fait qu’un ami ou un proche est un alcoolique?

Fabiano indique que le nouveau transistor électrochimique organique de l’équipe de recherche peut «effectuer le travail de milliers de transistors normaux avec une consommation d’énergie proche de l’énergie consommée lorsqu’un cerveau humain transmet des signaux entre deux cellules».

Cette technologie innovante peut être utile pour l’apprentissage en profondeur, un sous-ensemble de l’apprentissage automatique de l’IA qui consiste en un réseau de neurones artificiels comportant plus de deux couches. L’apprentissage en profondeur nécessite beaucoup de ressources car il contient de nombreuses couches de traitement neuronal, chaque couche étant composée de nombreux nœuds (neurones artificiels), ce qui nécessite des ressources considérables en calcul et en mémoire. Cela explique pourquoi l’essor des GPU (unités de traitement graphiques) pour l’informatique générale avec ses capacités de traitement massivement parallèle (par rapport au traitement en série) a accéléré l’essor de l’apprentissage en profondeur. Avec des capacités de traitement plus importantes, des progrès ont été réalisés dans les capacités de reconnaissance en profondeur d’apprentissage en profondeur. Les progrès dans l’apprentissage en profondeur sont à la base de la renaissance de l’IA.

Selon le rapport d’avril 2018 de Grand View Research, le marché mondial de l’informatique neuromorphique devrait atteindre 6,48 milliards de dollars américains d’ici 2024. Les puces neuromorphes sont utilisées dans l’électronique grand public, la robotique, les voitures et d’autres produits. Ce nouveau transistor annoncera-t-il un avenir où l’apprentissage automatique de l’IA repose sur l’électronique organique évolutive?

Copyright © 2019 Cami Rosso Tous droits réservés.

Références

Université de Linköping. «L’apprentissage du transistor imite le cerveau: un transistor électrochimique organique évolutif pour les applications neuromorphes.» ScienceDaily . 5 février 2019.