Un modèle d’intelligence artificielle consomme environ 6 000 joules pour générer une seule réponse textuelle, soit 1,6 watt-heure. À titre de comparaison, le cerveau humain ne nécessite que 20 joules par seconde pour assurer toutes ses fonctions vitales et cognitives. Face à cette consommation énergétique massive des systèmes d’IA actuels, des chercheurs de l’Université de Buffalo ont entrepris d’explorer une nouvelle approche inspirée du fonctionnement neurobiologique.
Les scientifiques ont observé que le cerveau représente le système le plus efficace énergétiquement en termes de traitement et de stockage d’informations. Cette efficacité repose sur une architecture fondamentalement différente de celle des ordinateurs classiques. L’informatique neuromorphique vise précisément à reproduire les mécanismes cérébraux pour concevoir des systèmes informatiques moins gourmands en énergie.
Deux approches permettent de réduire la consommation des systèmes d’IA : optimiser les algorithmes au niveau logiciel, ou modifier l’architecture matérielle des puces. L’équipe de recherche a choisi de concentrer ses efforts sur la transformation du matériel lui-même, en cherchant à mimétiser la structure cérébrale.
Le cerveau économise l’énergie en intégrant le stockage et le traitement de l’information au même emplacement. Les ordinateurs conventionnels séparent ces deux fonctions, ce qui oblige à transporter les données d’un endroit à l’autre, engendrant une importante dépense énergétique. Pour reproduire l’efficacité cérébrale, les chercheurs ont développé des matériaux à changement de phase (PCM) capables de réduire drastiquement cette circulation de données.
Ces matériaux peuvent alterner entre états conducteur et résistif grâce à des impulsions électriques précises, sans nécessairement modifier leur structure physique. Ce processus quantique permet aux PCM de conserver la mémoire des phases antérieures. Ces synapses artificielles acquièrent progressivement de l’apprentissage à mesure qu’elles reçoivent des impulsions, contrairement aux puces classiques qui reproduisent toujours les mêmes réponses.
Les matériaux à changement de phase explorés incluent l’oxyde de cuivre-vanadium-bronze, l’oxyde de niobium et diverses structures organométalliques. Les chercheurs ont modifié la tension et la température pour observer les variations de conductivité et analyser le comportement de ces matériaux lors des premières expériences.
Bien que ces prototypes demeurent extrêmement expérimentaux et éloignés des capacités du cerveau humain, les puces neuromorphiques pourraient un jour consommer moins d’énergie et fonctionner de manière plus efficiente. Les applications potentielles incluent des tâches hautement spécialisées, notamment la prise de décision pour les véhicules autonomes.
