Une équipe de chercheurs du National Institute of Standards and Technology (NIST), de l’Université du Maryland ainsi que de Western Digital a développé un nouveau type de matériel pour l’IA qui pourrait utiliser moins d’énergie et fonctionner plus rapidement : la jonction tunnel magnétique (MTJ). Pour mener leur recherche dont l’objectif principal était de vérifier si un tableau de MTJ pouvait fonctionner comme un réseau de neurones, ils ont conçu et programmé un réseau de neurones à partir de MTJ et l’ont entraîné à faire une dégustation de vin virtuelle. L’étude, intitulée « Implementation of a Binary Neural Network on a Passive Array of Magnetic Tunnel Junctions » est parue dans Physical Review Applied le 18 juillet dernier.
Les modèles d’IA sont souvent critiqués pour leur empreinte carbone : les algorithmes sont de plus en plus complexes et leur entraînement requiert de plus en plus d’énergie. Selon des chercheurs de l’Université du Massachussets Arhmes, entraîner des réseaux de neurones peut consommer autant d’énergie que 5 voitures, de leur production à leur fin de vie. De nombreuses recherches ont pour but de trouver un moyen de limiter cette consommation.
Les MTJ pourraient représenter une alternative prometteuse : les appareils basés sur eux ont prouvé qu’ils étaient moins énergivores que les appareils traditionnels. L’autre avantage est un fonctionnement beaucoup plus rapide car, contrairement aux puces classiques, ils stockent les données à l’endroit même où ils effectuent leurs calculs. Elles sont d’ailleurs utilisées pour les têtes inductives de lecture des disques durs ou pour les MRAM.
L’étude
Les scientifiques du programme Hardware for AI du NIST et de l’Université du Maryland ont conçu et programmé un réseau de neurones très simple à partir de MTJ que leur avaient fourni leurs collaborateurs du centre de recherche de Western Digital, en Californie.
L’équipe a entraîné le réseau de neurones sur 148 vins d’un ensemble de données de 178 vins, fabriqués à partir de trois types de raisins. Chaque vin virtuel avait 13 caractéristiques à prendre en compte, comme le degré d’alcool, la couleur, les flavonoïdes, l’alcalinité, le magnésium et les cendres. Chaque caractéristique avait une valeur comprise entre 0 et 1 qui allait permettre au réseau de distinguer un vin d’un autre.
Ensuite, les chercheurs l’ont soumis à un test de dégustation de vin virtuel sur l’ensemble de données complet, y compris sur les 30 vins sur lesquels il n’avait pas été entraîné. Le taux de réussite a été de 95,3 % et le système n’a fait que deux erreurs pour les 30 vins sur lesquels il n’avait pas été entraîné.
Jabez McClelland, physicien au NIST, a déclaré :
« Obtenir 95,3 % nous indique que cela fonctionne. »
l’étude a permis de constater qu’utiliser des MTJ comme synapses pourrait réduire la consommation d’énergie d’un système d’IA de moitié, voire plus, ce qui pourrait permettre une consommation d’énergie inférieure dans des applications telles que les vêtements connectés, les drones miniatures ou les capteurs, qui traitent les données à la source.
Jabez McClelland ajoute :
« Il est probable que des économies d’énergie significatives par rapport aux approches logicielles conventionnelles seront réalisées en mettant en œuvre de grands réseaux de neurones utilisant ce type de réseau. »
Sources de l’article :
J.M. Goodwill, N. Prasad, B.D. Hoskins, M.W. Daniels, A. Madhavan, L. Wan, T.S. Santos, M. Tran, J.A. Katine, P.M. Braganca, M.D. Stiles and J.J. McClelland.
Implementation of a Binary Neural Network on a Passive Array of Magnetic Tunnel Junctions.
Physical Review Applied. Published online July 18, 2022. DOI: 10.1103/PhysRevApplied.18.014039
