Nos ordinateurs sont de plus en plus puissants. Ils gagnent en rapidité, en puissance de calcul, et permettent de réaliser des tâches toujours plus complexes, comme en témoigne le passage récent aux supercalculateurs exaflopiques avec « Frontier » aux États-Unis. Ces avancées sont cruciales pour continuer à progresser dans les domaines à la pointe de l’informatique comme l’intelligence artificielle et être capables de traiter des problèmes d’une complexité croissante.
Bien qu’il soit possible d’augmenter le nombre de transistors pour accroître la puissance de calcul ou la mémoire d’un ordinateur en les miniaturisant – jusqu’à un certain point (un procédé de fabrication de transistors faisant seulement 2 nanomètres est actuellement en développement), ce n’est pas suffisant. En effet, il existe une autre limite qui est inhérente à l’organisation des composants d’un ordinateur.
Cette limite vient du fait que le processeur qui réalise les calculs et la mémoire qui stocke les résultats sont physiquement séparés. L’ordinateur consacre alors plus de temps et d’énergie à transférer les données entre la mémoire et le processeur qu’à faire des opérations mathématiques nécessaires à l’exécution des tâches utiles. Ce phénomène s’appelle le « goulot d’étranglement de von Neumann ».
Une façon de dépasser ces limites est de repenser l’architecture d’un ordinateur et de proposer de nouveaux composants qui s’inspirent du cerveau humain. Ce nouveau type d’électronique qui s’inspire du cerveau s’appelle le « neuromorphisme ».
Des dispositifs neuromorphiques ont déjà fait leurs preuves par exemple en reconnaissant des chiffres écrits ainsi que des chiffres et des voyelles parlés.
Utiliser la « spintronique » pour imiter le fonctionnement des neurones
Ces dispositifs neuromorphiques peuvent être fabriqués notamment grâce à la spintronique, une forme de l’électronique qui exploite à la fois la charge de l’électron (comme l’électronique classique), mais également son « spin ».
Grâce à la spintronique, des calculs longs et gourmands en énergie sur un processeur « classique » sont remplacés par un phénomène physique ultrarapide, économe en énergie, et qui peut être intégré dans des circuits électroniques classiques.
[Plus de 80 000 lecteurs font confiance à la newsletter de The Conversation pour mieux comprendre les grands enjeux du monde. Abonnez-vous aujourd’hui]
On peut aussi créer de nouvelles stratégies pour rapprocher les unités de mémoire et les unités de calcul et ainsi obtenir des ordinateurs plus puissants, plus rapides et plus économes en énergie.
Bien sûr, il reste de nombreux défis à relever, comme connecter un grand nombre de structures entre elles (pour construire des circuits complexes) ou développer des algorithmes d’apprentissage optimisés pour ce type de circuit avec une architecture neuromorphique et des composants spintroniques.
La spintronique, késako ?
Le spin de l’électron est une propriété quantique qu’il est difficile de représenter dans le monde classique. Une vision simplifiée est d’imaginer un électron comme un petit aimant qui tourne sur lui-même. Ce petit aimant peut être orienté vers le haut ou vers le bas et quand un courant possède plus d’électrons avec un spin vers le haut (ou l’inverse), on dit que le courant est « polarisé en spin ».
Deux phénomènes très importants en spintronique sont sources d’applications : les « effets de magnétorésistance » et le « transfert de spin ».
Les « effets de magnétorésistance » sont exploités dans les disques durs des ordinateurs.
Le principe est le suivant : deux couches magnétiques sont séparées par un matériau non magnétique (qui est soit conducteur dans le cas de la « magnétorésistance géante » soit isolant dans le cas de la « magnétorésistance tunnel »). L’une des couches magnétiques a une aimantation fixe, comme un aimant de frigo, tandis que l’autre a son aimantation qui peut bouger, c’est la couche « libre ». Si les deux couches ont des aimantations parallèles alors le courant polarisé passe facilement et la résistance de la structure est faible tandis que si elles sont antiparallèles, alors le courant passe difficilement et la résistance de la structure est élevée.
Le « transfert de spin » découle de l’effet inverse. Dans ce cas, c’est le courant polarisé qui va transférer son moment de spin à l’aimantation de la couche « libre » avec comme effet le renversement de cette dernière. Dans certains cas, ce phénomène de transfert de spin mène également à des oscillations entretenues de l’aimantation pour créer ce qu’on appelle les oscillateurs à transfert de spin.
Fabriquer des synapses et des neurones artificiels
En combinant à la fois le transfert de spin, pour manipuler une couche magnétique (écriture), et l’effet de magnétorésistance, pour mesurer l’état de résistance qui en résulte (lecture), il devient possible d’imaginer des dispositifs innovants qui vont pouvoir s’inspirer, voire imiter certaines caractéristiques du cerveau humain afin de fabriquer des synapses et des neurones artificiels.
Un très grand nombre de synapses connecte les neurones entre eux, transmettent l’information et jouent le rôle de petites mémoires tandis que les neurones intègrent l’information reçue et renvoient un signal appelé « potentiel d’action » si un seuil est dépassé, comme une petite unité de calcul.
Read more: Dans le cerveau caché de l’intelligence artificielle
Pendant l’apprentissage, les connexions synaptiques vont se renforcer ou s’affaiblir. Elles vont ainsi transmettre plus ou moins d’informations selon leur importance. Il est donc intéressant de fabriquer des structures dont la résistance peut varier grâce au transfert de spin pour réaliser des synapses artificielles.
En pratique, plusieurs approches sont explorées par les chercheurs
Pour fabriquer des neurones artificiels grâce à la spintronique, plusieurs approches sont possibles.
L’une d’entre elles est de chercher à reproduire ce qui est observé dans le cerveau, en utilisant des architectures plus ou moins complexes pour fabriquer des neurones artificiels, afin notamment de reproduire les effets de seuil, ou de générer des trains de « spike » (potentiels d’action) comme un neurone biologique.
Une deuxième approche est de créer un neurone artificiel dont la réponse est « non linéaire » (ce qui est une propriété fondamentale pour l’intelligence artificielle). Pour cela, il est possible d’utiliser des oscillateurs à transfert de spin comme ceux décrits plus haut. La couche « libre » peut également avoir une structure magnétique particulière appelée « vortex ». C’est l’état le plus stable pour des dimensions allant de 50 nm à 5 microns. Sa dynamique transitoire lui confère une mémoire à court terme en plus d’un comportement non linéaire.
Cette structure est prometteuse pour des applications neuromorphiques et elle est étudiée notamment pour pouvoir modéliser son comportement. En effet, en mettant au point un modèle précis et rapide, on peut se passer, dans une certaine mesure, de l’expérimentation et des simulations et gagner un temps considérable : ce qui prendrait potentiellement des mois voire des années de simulation est réduit à quelques minutes de calculs.
Ces travaux s’inscrivent dans une voie prometteuse pour étudier des architectures complexes à base de composants spintroniques et ainsi lever certaines limitations des ordinateurs classiques.