Des puces neuromorphiques imitent le cerveau pour être plus performantes

L’intelligence artificielle ne cesse de révolutionner les usages grand public et professionnels en franchissant des étapes majeures. La première génération d’IA était basée sur des règles et émulait la logique classique pour tirer des conclusions raisonnées dans un domaine spécifique et étroitement défini.

La seconde génération s’intéresse principalement à la détection et à la perception, comme l’utilisation de réseaux d’apprentissage en profondeur (deep learning) pour analyser le contenu d’une image vidéo. Cette nouvelle génération étend l’IA à des domaines correspondant à la cognition humaine, tels que l’interprétation et l’adaptation autonome.

Mais surtout, il s’agit de présenter à la fois des performances élevées tout en affichant une efficience énergétique. Les réseaux neuronaux conventionnels affichent une forte consommation énergétique.

Faible latence

Pour relever ce double défi, de nombreuses startups misent sur l’informatique neuromorphique. Sur le papier, le principe est simple : concevoir une puce informatique qui simule les systèmes neuronaux biologiques.

L’architecture des ordinateurs sépare physiquement le processeur et la mémoire où sont stockées les données. Avec l’informatique neuromorphique, les données sont traitées et stockées dans une seule puce. Une prouesse relevée par quelques deeptech et laboratoires de recherches.

C’est le cas de SynSense. Issue de l’École polytechnique et de l’Université de Zurich et créée en 2017, cette start-up développe des processeurs neuromorphiques dédiés au traitement de la vision en temps réel.

Son SoC (system on a chip) comprend un capteur et un processeur multicœur qui peuvent capturer des informations visuelles, les traiter en temps réel et effectuer une analyse intelligente de la scène avec une consommation d’énergie inférieure à 1 milliwatt et une latence de bout en bout de 5 à 10 millisecondes.

Cette faible consommation s’explique par le fait que « les capteurs n’encodent que les parties d’une image qui changent, réduisant ainsi l’information nécessaire pour transmettre le flux d’images. En un mot, notre capteur ne consomme de l’énergie que lorsqu’il y a quelque chose à calculer », nous explique Dylan Muir, vice-président des opérations de recherche mondiales chez SynSense.

Confidentialité des données

Cette faible consommation s’explique également par le recours au Edge computing, pour schématiser, des mini data centers locaux. « Notre architecture est à la fois frugale en énergie et plus réactive, car le calcul IA est sur les machines proches des capteurs », précise Raphaël Frisch, CEO cofondateur de HawAI.tech, une start-up de Grenoble dont la particularité et de s’appuyer sur l’IA frugale.

Le recours au Edge computing présente deux autres intérêts majeurs : la confidentialité des données et une faible latence, car les informations ne sont pas gérées dans le cloud, mais au niveau des machines.

Ces puces très performantes et économes intéressent de nombreux secteurs parmi lesquels la robotique, l’AR/VR, la santé, la logistique ou encore l’automobile.