Les neurones photoélectriques artificiels ultra-efficaces deviendront-ils une réalité ? 30 000 fois plus rapide que les neurones naturels, recherche publiée dans la sous-journal Nature

Dans les réseaux de neurones artificiels, de nombreux composants appelés neurones sont implantés avec des données et travaillent ensemble pour résoudre des problèmes tels que la reconnaissance faciale. Les réseaux de neurones ajustent à plusieurs reprises leurs synapses (les connexions entre les neurones) pour déterminer si le modèle comportemental qui en résulte constitue une meilleure solution. Mais au fil du temps, le réseau neuronal finira par trouver le modèle de comportement optimal dans les résultats du calcul. Il sélectionne ensuite ces modes comme valeurs par défaut, imitant le processus d'apprentissage du cerveau humain.

Bien que les systèmes d'IA trouvent progressivement des applications plus concrètes, ils sont toujours confrontés à des défis importants compte tenu des limites du matériel utilisé pour piloter leurs opérations. Pour résoudre ce problème, les chercheurs ont développé du matériel informatique neuromorphique inspiré du cerveau humain.

Par exemple, un composant de micropuce neuromorphique peut émettre un pic ou générer un signal de sortie uniquement lorsqu'il reçoit un nombre spécifique de signaux d'entrée au cours d'une certaine période de temps. Il s’agit d’une stratégie qui simule plus fidèlement le comportement des vrais neurones biologiques. Par rapport aux réseaux neuronaux artificiels classiques, ces appareils n’émettent que très peu de pics, ce qui signifie que moins de données seront traitées, tout en nécessitant en principe beaucoup moins de puissance et de bande passante de communication.

Cependant, le matériel neuromorphique utilise souvent l'électronique traditionnelle, ce qui limite finalement les fonctionnalités complexes et la vitesse de signalisation qu'ils peuvent atteindre. Par exemple, chaque neurone biologique peut posséder des dizaines de milliers de synapses, mais les dispositifs neuromorphiques ont du mal à connecter leurs neurones artificiels entre eux. Une solution efficace à ce problème est le multiplexage, c'est-à-dire qu'un canal de signal peut transporter plusieurs signaux en même temps. Cependant, à mesure que les puces deviennent plus grandes et plus sophistiquées, les vitesses de calcul peuvent ralentir.

Dans une nouvelle étude récente, des chercheurs du National Institute of Standards and Technology (NIST) ont exploré l'utilisation d'émetteurs et de récepteurs de lumière pour connecter les neurones. En principe, des liaisons optiques, ou guides d'ondes optiques, pourraient connecter chaque neurone à des milliers d'autres neurones à des vitesses de communication à la vitesse de la lumière. L'article pertinent a été publié dans Nature Electronics.

Adresse papier : https://www.nature.com/articles/s41928-022-00840-9

Aperçu de la recherche

Les chercheurs ont utilisé un détecteur de photons capable de détecter un seul photons Les dispositifs à nanofils supraconducteurs , dans lesquels ces signaux lumineux pouvant être détectés sont les plus petites unités, peuvent être considérés comme la limite physique de l'efficacité énergétique.

Le rendu ci-dessous montre comment des circuits supraconducteurs qui simulent les synapses neuronales (les points d'interface entre les neurones du cerveau) peuvent être utilisés pour créer les neurones optoélectroniques artificiels du futur.

La réalisation de calculs neuronaux photoniques est souvent délicate car elle nécessite généralement des cavités optiques capables de capter la lumière sur une période de temps significative. Créer de telles cavités sur des micropuces intégrées et les connecter à de nombreux guides d'ondes est extrêmement difficile.

Les chercheurs ont donc développé un système de circuit hybride dans lequel le signal de sortie de chaque détecteur est converti en impulsions électriques ultrarapides d'une durée d'environ 2 picosecondes. Ces impulsions sont toutes provoquées par une seule fluctuation magnétique ou flux magnétique au sein d'un réseau d'interféromètres quantiques supraconducteurs ou d'un interféromètre quantique supraconducteur (SQUID) .

Jeffrey Shainline, chercheur au NIST et auteur correspondant, a déclaré : « Depuis de nombreuses années, nous travaillons dur sur la recherche théorique, dans l'espoir de découvrir les principes essentiels qui permettent à la technologie d'atteindre les limites physiques de l'informatique neuromorphique. poursuite de cet objectif Pensons à ce concept - combinant la communication optique au niveau d'un photon unique avec les calculs de réseau neuronal effectués par les jonctions Josephson

Les interféromètres quantiques supraconducteurs (SQUID) sont composés d'une ou plusieurs structures Josephson. avec des matériaux supraconducteurs en haut et en bas, séparés par un film isolant au milieu. Si le courant traversant la jonction Josephson (JJ) dépasse un certain seuil, l'interféromètre quantique supraconducteur commencera à produire un flux magnétique.

Après avoir détecté un photon, le détecteur à photon unique (SPD) générera des quanta de flux magnétique, puis ces quanta de flux seront collectés sous forme de courant dans la boucle supraconductrice de SQUID. Ce courant stocké sert de forme de mémoire, enregistrant le nombre de pics de tension du neurone.

La figure 2 ci-dessous montre le tracé et le circuit terminé. a est la disposition 3D de l'ensemble du circuit synaptique ; b est l'image au microscope de la fabrication terminée ; c est la disposition du SPD ; d est le SPD en cours de fabrication ; e est la disposition de JJ et de la résistance shunt ; dans la fabrication ; g est le SQUID utilisé pour le cycle DR (réception dendritique, réception de dendrite) ; h est le DR SQUID dans la fabrication ;

Shainline s'est exclamé : « C'était en fait assez facile de faire fonctionner les circuits. Il a fallu pas mal de temps pour les fabriquer et les expérimenter pendant la phase de conception, mais en fait, lorsque nous avons créé ces circuits pour la première fois, ils ont été réalisés. Cela fonctionne déjà. Cela est de bon augure pour l’évolutivité future de tels systèmes. » Les chercheurs ont intégré le détecteur à photon unique au Josephson pour former une synapse supraconductrice.

Ils ont calculé que la fréquence maximale des synapses peut dépasser 10 millions de Hz, alors que chaque événement synaptique consomme environ 33 attojoules d'énergie (1 attojoule équivaut à 10^-18 joules)

. À titre de comparaison, le taux de pointe moyen maximum des neurones humains n’est que d’environ 340 Hz, alors que chaque événement synaptique consomme environ 10 femtojoules (1 femtojoule équivaut à 10^-15 joules). La figure 3 ci-dessous montre les caractéristiques d'une seule synapse avec une constante de temps de 6,25 μs et une inductance de 2,5 μH. Les mesures montrent des valeurs réelles de 8,06 μs et 3,2 μH respectivement.

La figure 4 ci-dessous montre que les fonctions de transfert synaptique peuvent être conçues sur une large gamme d'échelles de temps.

De plus, les chercheurs peuvent réaliser que le temps de sortie de ces dispositifs de système de circuits passe de centaines de nanosecondes à quelques millisecondes. Cela signifie également que ces matériels peuvent être connectés à une gamme de systèmes, depuis la communication entre appareils électroniques à haut débit jusqu'aux interactions plus tranquilles entre humains et machines.

À l'avenir, les chercheurs combineront les nouvelles synapses qu'ils ont développées avec des sources de lumière sur puce pour créer des neurones supraconducteurs entièrement intégrés. Shainline a déclaré : « Il reste encore d'énormes défis à relever pour parvenir à des neurones supraconducteurs entièrement intégrés, mais si nous pouvons intégrer cette dernière partie, alors il y a toutes les raisons de croire qu'ils pourraient éventuellement devenir une puissante plate-forme informatique pour l'intelligence artificielle. »

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!