Le Neuromorphic Computing ou informatique neuromorphique est une technologie à la croisée de l’intelligence humaine et de l’intelligence artificielle. Découvrez tout ce que vous devez savoir sur cette nouvelle forme d’informatique révolutionnaire.
De prime abord, on pourrait penser que les ordinateurs surpassent l’intelligence humaine dans tous les domaines. Les ordinateurs sont puissants, précis et infatigables et peuvent calculer de manière presque instantanée.
Sur certains aspects, toutefois, le cerveau humain surpasse toujours l’ordinateur. Nous sommes particulièrement performants lorsqu’il s’agit de détecter des patterns ou d’improviser dans des circonstances non définies. De plus, le cerveau ne consomme que 22 watts d’électricité.
De fait, à l’heure actuelle, même l’ordinateur le plus puissant du monde ne peut rivaliser avec le cerveau humain en termes d’efficacité et de performances. De nombreux fabricants de hardware et développeurs de logiciels cherchent à franchir cette barrière en créant une machine comparable à notre cerveau. La clé pourrait être le » Neuromorphic Computing « , ou informatique neuromorphique.
Qu’est-ce que le Neuromorphic Computing ?
Le concept de l’informatique neuromorphique est de combiner la biologie, l’ingénierie électrique, l’informatique et les mathématiques pour créer des systèmes de neurones artificiels capables de traiter des informations à la manière du cerveau humain et de son système nerveux. D’une certaine façon, l’informatique neuromorphique représente une passerelle entre le cerveau humain et l’ordinateur.
Ce terme fut inventé dans les années 1980 par le professeur Carver Mead de Caltech, qui a passé plus de 40 ans à développer des systèmes analytiques visant à reproduire les mécanismes de captation et de traitement du corps humain. Son objectif était notamment de simuler les cinq sens ainsi que le fonctionnement de la pensée humaine.
De nombreuses personnes n’ont jamais entendu parler du Neuromorphic Computing. En revanche, les théories et les systèmes développés par Carver Mead ont découlé sur la création d’une technologie de plus en plus populaire : l’intelligence artificielle.
Comment fonctionne l’informatique neuromorphique ?
Bien qu’inventée dans les années 80, l’informatique neuromorphique n’en est encore qu’à ses balbutiements. Voilà seulement quelques années qu’il est devenu possible de l’utiliser pour des applications commerciales.
Pour mimer le fonctionnement du cerveau humain et du système nerveux, les chercheurs développent des réseaux de neurones artificiels où les synapses sont remplacées par des noeuds.
L’une des faiblesses de ces réseaux était le caractère binaire du traitement numérique des informations. Les processeurs envoient des messages par le biais de circuits, et ces circuits peuvent être soit allumés, soit éteints, sans autre variante entre les deux.
Pour remédier à ce problème, les ingénieurs se sont tournés vers des circuits analogiques. Ainsi, les processeurs peuvent moduler la quantité de courant entre les noeuds, à la manière dont la puissance des impulsions électriques dans le cerveau peut varier pour former et altérer sa chimie.
Le plus puissant processeur neuromorphique à l’heure actuelle simule 16 milliards de synapses. Cependant, il est encore loin du cerveau humain qui cumule 8000 billions de synapses.
Quoi qu’il en soit, pour l’heure, ce processeur reste principalement réservé à des applications militaires ou à la recherche. Toutefois, maintenant que la technologie a fait ses preuves dans la théorie, les applications pratiques devraient voir le jour sous peu.
Informatique neuromorphique et intelligence artificielle
L’informatique neuromorphique pourrait nous rapprocher de la découverte d’une intelligence artificielle » générale « . Une telle IA serait capable de répliquer les capacités du cerveau humain, mais personne n’est parvenu à la créer jusqu’à présent.
Pour l’heure, les intelligences artificielles déjà existantes sont aptes à résoudre des problèmes spécifiques. En revanche, elles ne disposent pas de connaissances générales.
Les premières puces neuromorphiques sont capables d’effectuer plusieurs tâches telles que la détection d’objet, la reconnaissance de discours, ou encore la navigation. C’est donc un premier pas vers l’IA générale.
Cependant, pour arriver réellement à ce degré d’évolution, il faudra encore du temps. Les réseaux de neurones ne sont que des machines statistiques, et les statistiques ne peuvent résoudre de problèmes nécessitant un raisonnement et une compréhension. Ils sont par exemple incapables de comprendre le langage de façon naturelle ou de naviguer au sein de mondes ouverts.
Qu’est-ce qu’une puce d’informatique neuromorphique ?
À l’heure actuelle, l’intelligence artificielle et l’informatique neuromorphique restent limitées par les capacités des systèmes hardware. Aucun ordinateur ne peut offrir la puissance de calcul du cerveau ni rivaliser avec son efficacité énergétique.
Cependant, le rêve d’une puce neuromorphique capable de rivaliser avec notre ordinateur interne n’a pas été abandonné. Les ingénieurs et scientifiques continuent à s’inspirer de la biologie cérébrale pour repousser les limites de l’informatique.
Ainsi, une large variété d’architectures de puce sont fortement influencées par les découvertes effectuées dans le domaine de l’informatique neuromorphique en termes de hardware et de software.
Les GPU (cartes graphiques) sont désormais utilisées pour développer des algorithmes d’intelligence artificielle à cause de leur capacité de calcul parallèle. Ils sont utilisés en guise d’accélérateurs de réseaux de neurones pour prendre en charge les workloads d’IA.
Le constructeur NVIDIA, qui compte parmi les leaders de l’industrie du GPU, a créé des appareils entièrement dédiés à l’exécution de workloads IA comme le Jetson Xavier Developer Kit. Des systèmes comme les robots autonomes ou les systèmes de reconnaissance faciale peuvent exploiter ces appareils.
De son côté, Google a créé la Tensor Processing Unit (TPU). Cette puce est utilisée dans les Data Centers pour prendre en charge les opérations de type de tenseur : un objet dont la valeur s’exprime dans un espace vectoriel. Ces objets peuvent être utilisés comme fonction d’un programme IA, et sont aujourd’hui indispensables pour l’intelligence artificielle moderne.
Cependant, c’est Intel qui est allé le plus loin avec sa puce Loihi. Développée par les chercheurs d’Intel Labs, cette puce a pour but de modéliser et de simuler une structure neuronale basée sur la matière grise.
Elle contient près de 130 000 neurones de silicone connectés, et pourrait servir de base pour la prochaine génération de hardware IA. Les chercheurs ont par exemple créé un appareil appelé Pohoiki Beach combinant 64 puces Loihi pour créer un réseau de 8 millions de neurones.
D’ici la fin 2020, Intel prévoit de combiner jusqu’à 100 000 puces Loihi pour former un ordinateur neuromorphique doté de 100 millions de neurones. Il pourrait bien s’agir du plus puissant ordinateur jamais créé.
Une puce neuromorphique présente la même structure physique qu’un réseau de neurones. Elle est composée de multiples unités de calcul correspondantes chacune à un neurone artificiel. Chaque unité a juste assez d’énergie pour effectuer la fonction mathématique d’un seul neurone.
Une autre caractéristique essentielle de ces puces est la connexion physique entre ces neurones artificiels. Ces connexions rapprochent les puces neuromorphiques de véritables cerveaux, reposant sur les synapses reliant les neurones.
C’est justement cette connexion qui constitue le réel atout des ordinateurs neuromorphiques. Cette structure les rend plus efficaces pour l’entraînement et l’exécution des réseaux de neurones.
Les modèles IA peuvent être exécutés à une vitesse plus importante que sur les CPU et GPU équivalents, tout en consommant moins d’énergie. Cette efficacité et leur petite taille rendent ces ordinateurs adaptés aux cas d’usage nécessitant d’exécuter les algorithmes IA en périphérie du réseau plutôt que sur le Cloud.
Un autre exemple de puce neuromorphique est celui de Tianjic, intégrée à un vélo autonome. Elle contient environ 40 000 neurones artificiels et 10 millions de synapses sur 3,8 millimètres carrés, et peut exécuter les tâches entre 1,6 et 100 fois plus vite qu’un GPU équivalent. Elle consomme par ailleurs 12 à 10 000 fois moins d’énergie.
Quelles sont les applications possibles pour le Neuromorphic Computing ?
À l’heure actuelle, les ordinateurs excellent pour traiter des tâches spécifiques. Ils sont capables d’analyser des situations dont les circonstances sont clairement définies.
En revanche, les machines peinent à faire face à des situations » incertaines « . C’est précisément ce point faible que vise à résoudre l’informatique neuromorphique. Le but ultime est que les ordinateurs sortent de leur cadre binaire.
Grâce à cette technologie, le Machine Learning pourrait permettre d’apprendre grâce à l’observation. À l’heure actuelle, les algorithmes d’intelligence artificielle ont besoin d’être entraînés à l’aide de données pour apprendre.
Un ordinateur neuromorphique pourrait apprendre à reconnaître les patterns dans des images ou autres types de données bien plus rapidement. Récemment, le MIT et IBM Watson Lab ont entraîné une IA à identifier une musique en visionnant les mouvements des musiciens.
L’informatique neuromorphique pourrait aussi permettre d’économiser des quantités massives d’énergie. Tout comme le cerveau humain, une puce neuromorphique est très efficace énergétiquement.
Elle consomme théoriquement 1000 fois moins d’énergie qu’un processeur traditionnel. Elle représente aussi un véritable avantage en termes de portabilité, puisque l’équivalent de la puissance d’un rack entier de serveurs pourrait tenir sur une seule puce.
Il existe donc de nombreux secteurs d’application potentiels. Les voitures sans pilote pourraient s’en servir pour mieux percevoir et réagir aux erreurs des autres véhicules à proximité.
Elle permettrait aussi aux appareils de la maison connectée de s’adapter instantanément à de nouveaux comportements, de manière naturelle. L’utilisation de ces appareils deviendrait donc bien plus intuitive, et les possibilités offertes seraient multipliées.
En entreprise, l’informatique neuromorphique pourrait permettre d’améliorer les capacités d’analyse prédictive, l’automatisation ou la RPA. La machine pourrait devenir un véritable allié pour les employés humains.
Quels sont les défis du Neuromorphic Computing ?
Plusieurs défis doivent être relevés pour que le Neuromorphic Computing puisse être utilisé dans le monde réel. La recherche est encore en cours, et les premières applications pratiques se résument pour l’heure au cadre expérimental.
Selon l’experte Katie Schuman, interrogée par le site web Ubiquity, le domaine de l’informatique neuromorphique manque à l’heure actuelle de développeurs et d’ingénieurs logiciels. Il est nécessaire que ces derniers parviennent à repenser le concept d’architecture informatique.
La démocratisation du neuromorphic computing passera sans doute par la création d’un ensemble d’APIs, de modèles et de langages de programmation permettant d’ouvrir l’accès à cette technologie aux personnes ne disposant d’aucune expertise.
De nouvelles manières de mesurer les performances de ces architectures nouvelles devront être inventées et améliorées. La recherche dans ce domaine pourrait aussi être combinée avec celles d’autres domaines émergents comme l’informatique probabiliste.
Fort heureusement, cette technologie peut compter sur d’importants investissements basés sur les conseils d’experts convaincus de son potentiel révolutionnaire.
Quel futur pour l’informatique neuromorphique ?
L’informatique neuromorphique commence tout juste à émerger, et n’a pas encore dévoilé tout son potentiel. À terme, cette technologie pourrait servir de fondation pour développer du hardware et des logiciels d’IA révolutionnaires.
Elle pourrait être la clé pour le futur de l’intelligence artificielle, en allant jusqu’à conférer une conscience aux machines. S’ouvrirait alors une ère nouvelle, où les ordinateurs pourraient inventer à la place des humains.
Sans aller jusque là, le Neuromorphic Computing pourrait permettre de créer des algorithmes capables d’effectuer des tâches plus efficacement que les humains. Il pourrait être utilisé pour de nouvelles technologies telles que les véhicules autonomes.
Ironiquement, alors que l’informatique neuromorphique s’inspire de notre propre cerveau, elle pourrait aussi permettre de mieux le comprendre et ainsi faire avancer la recherche dans ce domaine. Il serait par exemple possible de simuler et de modéliser la matière grise avec plus de précision.
https://www.youtube.com/watch?v=c-stmgiXCZA
- Partager l'article :