Une percée énergétique pour l’intelligence artificielle
Des chercheurs américains, en partenariat avec le géant taïwanais de la fabrication de semi‑conducteurs TSMC, ont mis au point une puce de mémoire qui consomme une fraction du courant habituel. Cette avancée, basée sur la technologie SOT‑MRAM (Spin‑Orbit‑Torque Magnetoresistive Random‑Access Memory), promet de rendre l’IA viable sur des appareils de petite taille, sans recourir à des centres de données énergivores.
Le problème énergétique de l’IA actuelle
Dans les systèmes classiques, les processeurs doivent constamment extraire des données de la mémoire, les traiter, puis réécrire les résultats. Ce va‑et‑vient de bits représente la majeure partie de la consommation énergétique, bien plus que les calculs eux‑mêmes. Multiplier ce phénomène à l’échelle de millions de puces dans les data‑centers crée un gouffre énergétique qui freine la démocratisation de l’IA.
Comment le SOT‑MRAM change la donne
Chaque cellule de la nouvelle puce renferme un minuscule aimant. Orienté d’un côté, il représente le 0 ; orienté de l’autre, le 1. Contrairement à la RAM volatile, ces aimants conservent l’information même en l’absence d’alimentation, éliminant ainsi le besoin de rafraîchissements constants.
Les versions antérieures de mémoires magnétiques utilisaient un courant qui traversait directement l’aimant, provoquant usure et lenteur. La solution SOT‑MRAM introduit un fil métallique adjacent qui délivre un « coup de pouce » magnétique, réduisant l’usure et accélérant l’écriture. Le résultat : une durée de vie nettement supérieure et une latence d’écriture de l’ordre de deux nanosecondes, avec une énergie dépensée de seulement deux picojoules par opération d’écriture.
Calculs directement dans la mémoire
Les cellules sont disposées en grille, chaque intersection de lignes horizontales et verticales hébergeant une cellule. Cette architecture permet d’exécuter des opérations arithmétiques directement au sein de la matrice, évitant le transfert de données vers un processeur séparé. Ainsi, les réseaux de neurones peuvent être évalués, entraînés ou même faire du calcul de modèles probabilistes sans quitter la mémoire.
Les tests menés par l’Université du Texas ont démontré que les tâches d’inférence, d’entraînement et de calcul de modèles de probabilité s’accomplissent avec une consommation énergétique cinq à plusieurs centaines de fois inférieure à celle des mémoires traditionnelles.
Surmonter les limites du binaire
Un obstacle majeur était la nature binaire des cellules magnétiques, alors que les réseaux neuronaux utilisent généralement des valeurs continues entre 0 et 1. Les chercheurs ont contourné ce problème en concevant des algorithmes qui exploitent les deux états extrêmes tout en maintenant une précision acceptable, grâce à des techniques de quantification et de compensation d’erreurs.
Des applications en périphérie du réseau
L’objectif n’est pas de remplacer les data‑centers, mais d’équiper les appareils en bordure du réseau – capteurs, caméras, robots – d’une IA locale capable de prendre des décisions en temps réel. Imaginez une main robotique qui ressent la chaleur et ajuste sa prise sans envoyer les données à un serveur distant. Si une précision accrue est requise, le dispositif peut alors se connecter à un cloud pour un traitement supplémentaire.
Cette double approche – rendre la mémoire plus économe et réduire la dépendance aux centres de données – ouvre la voie à des systèmes autonomes, plus légers et respectueux de l’environnement.
Production à l’échelle industrielle
Contrairement à de nombreux prototypes universitaires, les puces SOT‑MRAM ont été fabriquées sur des wafers complets dans les lignes de production de TSMC. Cette intégration montre que la technologie peut être adoptée sans nécessiter de nouvelles usines, accélérant son déploiement commercial.
En résumé, la combinaison d’une consommation d’énergie quasi‑nulle, d’une longévité accrue et d’une capacité à exécuter des calculs directement dans la mémoire positionne le SOT‑MRAM comme un pilier potentiel de l’IA embarquée.
Source: https://scientias.nl/ai-chips-energie-stroom-kunstmatige-intelligentie/
