Accès direct au contenu

SAPHIRE

Version anglaise

aide

Saphire > Actualités > Conférences

L'intelligence artificielle économe en énergie en s'inspirant du cerveau

le 2 décembre 2022

Damien Querlioz, chargé de recherche du CNRS au Centre de Nanosciences et de Nanotechnologies

Machine bayesienne

Machine bayesienne

Lorsqu'ils effectuent des tâches d'intelligence artificielle (IA), les ordinateurs consomment beaucoup plus d'énergie pour déplacer les données entre les unités logiques et les unités de mémoire que pour effectuer des calculs proprement dits. Cette inefficacité est à l'origine du coût énergétique insoutenable de l'IA : l'entraînement des modèles d'IA modernes consomme des gigawattheures d'électricité. Le cerveau, en revanche, a une efficacité énergétique bien supérieure en fusionnant entièrement la logique et la mémoire, réalisant une forme de calcul "en mémoire". Jusqu'à présent, une telle intégration entre logique et mémoire était impossible à grande échelle avec la technologie CMOS. Cependant, des sociétés telles qu'Intel, Samsung, ST Microelectronics ou TSMC ont récemment atteint le stade de la production de nouveaux dispositifs de mémoire tels que les mémoires (mem)résistives, à changement de phase et magnétiques, qui nous donnent l'occasion de réaliser une intégration extrêmement étroite entre la logique et la mémoire. Malheureusement, ces nouveaux dispositifs présentent également d'importants défis en raison de leur nature peu fiable. Dans cet exposé, nous nous inspirerons des neurosciences pour tirer des leçons sur la conception de systèmes de calcul en mémoire avec des dispositifs non fiables. Nous étudierons d'abord l'utilisation par le cerveau de stratégies de mémoire approximative, qui peuvent être reproduites pour l'apprentissage automatique. Nous donnerons l'exemple d'une machine bayésienne à base de memristors. Sur la base de mesures effectuées sur une puce hybride CMOS/memristor, nous verrons qu'un tel système peut reconnaître des gestes humains en utilisant des milliers de fois moins d'énergie qu'un microcontrôleur concurrent. Ensuite, nous présenterons une deuxième approche où la nature probabiliste des mémoires émergentes, au lieu d'être combattue, peut être pleinement exploitée pour mettre en œuvre un type d'apprentissage probabiliste. Nous entraînons expérimentalement un réseau de 16 384 memristors à reconnaître des images de tissus cancéreux en utilisant cette technique. Enfin, nous présenterons les perspectives concernant l'implémentation de différents algorithmes d'apprentissage avec des mémoires émergentes.

Damien Querlioz
Damien Querlioz est chercheur CNRS au Centre de Nanosciences et de Nanotechnologies de l'Université Paris-Saclay et du CNRS. Ses recherches portent sur les nouveaux usages des mémoires non volatiles émergentes et autres nanodispositifs, en s'appuyant notamment sur des inspirations issues de la biologie et de l'apprentissage automatique. En 2017, il a reçu la médaille de bronze du CNRS.
Type :
Séminaires - conférences

Cycle de conférences

Recherche d'une actualité

Recherche d'une actualité