cerveau artificiel fil argent

Ce cerveau artificiel en fil d’argent apprend en temps réel : le futur de l’IA ?

Et si le meilleur moyen de créer un réseau de neurones artificiels était d’imiter la structure du cerveau humain ? C’est la prouesse qu’ont accomplie les chercheurs australiens et californiens, en créant un cerveau artificiel en nano-fils d’argent capable d’apprendre en temps réel. Une innovation qui pourrait bouleverser l’industrie de l’IA…

Depuis 2022, l’intelligence artificielle connaît un essor phénoménal. Les outils IA comme ChatGPT et se multiplient, et rencontrent un succès mondial par leur capacité à traiter de vastes quantités de données pour générer du contenu.

Cependant, une ombre vient ternir ce tableau idyllique : les systèmes IA actuels reposent sur de puissants ordinateurs exécutant des algorithmes complexes basés sur des réseaux de neurones artificiels.

Ces machines utilisent de vastes quantités d’énergie. Et la consommation explose littéralement lorsqu’on travaille avec des données qui changent en temps réel.

Afin de remédier à ce gros problème, les chercheurs de l’Université de Sydney et de l’Université de Californie ont développé un réseau de neurones physiques sur hardware. Il se révèle beaucoup plus efficace dans son fonctionnement.

Un réseau de neurones hardware en nano-fils d’argent

réseau neurones nanofils

Il est entièrement constitué de nano-fils mille fois moins épais qu’un cheveu humain, formant naturellement un réseau aléatoire à la manière d’une pile de bâtons de jeu Mikado.

En réalité, sa structure ressemble beaucoup à celle des neurones dans nos cerveaux. Ces travaux de recherche s’inscrivent dans le domaine de l’informatique neuromorphique ou « neuromorphic computing », visant à émuler le fonctionnement des neurones et des synapses sur les ordinateurs.

Ainsi, ce réseau présente des comportements similaires à ceux du cerveau en réaction à des signaux électriques. Les signaux électriques extérieurs causent des changements dans la façon dont l’électricité est transmise aux points d’intersection entre les nanofils. Un phénomène similaire au fonctionnement des synapses biologiques !

Grâce à ces dizaines de milliers d’intersections semblables aux synapses, le réseau peut efficacement traiter et transmettre les informations portées par les signaux électriques.

L’apprentissage en temps réel digne du cerveau humain

À travers leur étude, les chercheurs ont démontré que la capacité de ce réseau de nanofils à réagir aux signaux changeants permet de l’utiliser pour le online machine learning.

Dans le Machine Learning classique, le système est nourri avec les données et les traite ensuite par lots. Or, dans le cas d’une approche en ligne, les données peuvent être fournies au système sous forme de flux continu dans le temps.

À chaque nouvelle donnée, le système apprend et s’adapte en temps réel. Ceci démontre une capacité d’apprentissage « à la volée » digne des humains, dont les IA actuelles sont totalement dépourvues.

YouTube video

Or, cette approche en ligne se révèle beaucoup plus efficace que l’apprentissage par lot sur lequel reposent les applications IA existantes. Pour cause, cette forme d’apprentissage exige une vaste quantité de mémoire pour traiter de larges jeux de données.

De plus, le système a souvent besoin de parcourir les mêmes données à de multiples reprises pour apprendre. Ce processus requiert non seulement des ressources de calcul massives, mais consomme également davantage d’énergie.

Cette nouvelle méthode nécessite moins de mémoire, puisque les données sont traitées continuellement. De plus, le réseau n’apprend qu’une fois de chaque échantillon de données. Là encore, la consommation d’énergie s’en trouve largement diminuée.

Un premier impressionnant sur la reconnaissance d’images

mnist dataset reconnaissance images

Afin de mettre à l’épreuve le réseau de neurones, les chercheurs l’ont testé sur une tâche de reconnaissance d’image à l’aide du dataset MNIST regroupant des chiffres écrits à la main.

Les valeurs de pixels dans les images ont été converties en signaux électriques, et utilisées pour nourrir le réseau. Après chaque échantillon, le réseau a appris et amélioré sa capacité à reconnaître les patterns. Il s’agit donc bien d’un apprentissage en temps réel.

Avec la même méthode, les chercheurs ont aussi testé le réseau sur des tâches de mémoire impliquant des patterns de chiffres. Un processus comparable à la mémorisation d’un numéro de téléphone. Là encore, le réseau a démontré une capacité bluffante à se rappeler les précédents chiffres.

Ces différentes tâches démontrent le potentiel du réseau pour émuler l’apprentissage et la mémoire du cerveau humain. Il ne s’agit que d’un début, et on peut s’attendre à ce que les réseaux de nanocâbles neuromorphiques deviennent la nouvelle norme dans le domaine de l’IA !

Afin d’en savoir davantage, vous pouvez consulter l’étude réalisée par les chercheurs australiens et canadiens dans le journal Nature Communications à cette adresse.

YouTube video

Restez à la pointe de l'information avec LEBIGDATA.FR !

2 commentaires

2 Commentaires

  1. Online machine learning traduit par machine learning sur internet ?

    Vous ne comprenez vraiment rien à ce que vous écrivez…

  2. Le lien de l’article originel est mort…

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Newsletter

La newsletter IA du futur

Rejoins nos 100 000 passionnés et experts et reçois en avant-première les dernières tendances de l’intelligence artificielle🔥