Les neurones supraconducteurs pourraient correspondre à l'efficacité énergétique du cerveau

Illustration conceptuelle rougeoyante d'un cerveau Getty

Le cerveau humain est de loin le dispositif informatique le plus impressionnant connu de la science. Le cerveau fonctionne à une vitesse d'horloge de quelques hertz seulement, comme un escargot par rapport aux microprocesseurs modernes qui fonctionnent à des vitesses de gigahertz.

Mais il obtient sa puissance en effectuant de nombreux calculs en même temps - un milliard de milliards de calculs par seconde. Ce parallélisme lui permet de résoudre facilement des problèmes que les ordinateurs conventionnels n'ont pas encore résolus : conduire, marcher, converser, etc.

Plus impressionnant encore, c'est qu'il fait tout cela alimenté par un peu plus qu'un bol de bouillie. En revanche, les supercalculateurs les plus puissants du monde consomment plus d'énergie que les grandes villes.

C'est pourquoi les informaticiens veulent copier les performances informatiques du cerveau humain en utilisant des réseaux de neurones comme bêtes de somme informatiques.

C'est plus facile à dire qu'à faire. Les puces ordinaires peuvent être programmées pour se comporter comme des réseaux de neurones, mais cela demande beaucoup de calcul et consomme de l'énergie.

Au lieu de cela, les informaticiens veulent construire des neurones artificiels et les connecter ensemble dans des réseaux ressemblant à des cerveaux. Cela a le potentiel d'être beaucoup plus économe en énergie, mais personne n'a proposé une conception qui se rapproche de l'efficacité du cerveau.

Jusqu'à aujourd'hui. Entrez Emily Toomey au MIT et quelques collègues, qui ont conçu un neurone supraconducteur fabriqué à partir de nanofils qui, à bien des égards, se comporte comme un vrai. Ils disent que leur appareil correspond à l'efficacité énergétique du cerveau (du moins en théorie) et est la pierre angulaire d'une nouvelle génération de réseaux de neurones supraconducteurs qui seront beaucoup plus efficaces que les machines informatiques conventionnelles.

Tout d'abord un peu de contexte. Les neurones codent des informations sous la forme de pointes électriques, ou potentiels d'action, qui se déplacent le long du nerf. Dans les réseaux de type cerveau, les neurones sont séparés les uns des autres par des espaces appelés synapses.

L'information peut sauter à travers ces synapses, influençant ainsi d'autres neurones, les faisant se déclencher ou les inhibant d'une manière qui les empêche de se déclencher. En effet, cela permet aux neurones d'agir comme des portes logiques, produisant une seule sortie en réponse à plusieurs entrées.

Les neurones biologiques ont un certain nombre de propriétés importantes qui rendent cela possible. Par exemple, ils ne se déclenchent que si le signal d'entrée dépasse un certain niveau de seuil, et ils ne peuvent pas se déclencher à nouveau avant qu'un certain temps ne se soit écoulé, une période connue sous le nom de période réfractaire. Et le temps nécessaire à un pic pour parcourir un axone - le corps d'un neurone - est également important, car il code la distance parcourue par le pic.

Un neurone artificiel doit être capable de reproduire autant de ces caractéristiques que possible. Cela nécessite généralement des circuits complexes.

Mais Toomey et co soulignent que les nanofils supraconducteurs ont une propriété non linéaire particulière qui leur permet d'agir comme des neurones. Cette propriété provient du fait que la supraconductivité du nanofil s'effondre lorsque le courant qui le traverse dépasse une certaine valeur seuil.

Lorsque cela se produit, la résistance augmente soudainement, créant une impulsion de tension. Cette impulsion est analogue au potentiel d'action dans un neurone. Son utilisation pour moduler une énième impulsion produite par un second nanofil supraconducteur rend la simulation encore plus réaliste.

Cela crée un circuit supraconducteur simple qui possède de nombreuses propriétés des neurones biologiques. Toomey et co ont montré qu'un neurone supraconducteur a un seuil de déclenchement, une période réfractaire et un temps de parcours qui peuvent être ajustés en fonction des propriétés du circuit, entre autres propriétés.

Fondamentalement, ce neurone supraconducteur peut également être utilisé pour déclencher ou inhiber d'autres neurones. Et cette propriété de sortance est essentielle pour créer des réseaux. C'est quelque chose que d'autres conceptions de neurones supraconducteurs n'ont jamais été en mesure d'atteindre.

Et parce que les circuits supraconducteurs utilisent très peu d'énergie, selon les calculs de Toomey et co, ce type de réseau de neurones supraconducteurs pourrait correspondre à l'efficacité des réseaux de neurones biologiques.

Le facteur de mérite est le nombre d'opérations synaptiques que le réseau de neurones peut effectuer chaque seconde en utilisant un watt de puissance. Toomey et co disent que leur réseau proposé devrait être capable de correspondre au cerveau humain en gérant environ 1014 opérations synaptiques par seconde par watt. Le neurone à nanofils peut être une technologie hautement compétitive du point de vue de la puissance et de la vitesse, disent-ils.

Bien sûr, il y a des limites. Le plus important est peut-être que le neurone supraconducteur ne peut se connecter qu'à une poignée d'autres neurones. En revanche, chaque neurone du cerveau humain se connecte à des milliers de voisins. Et pour le moment, le design de Toomey and co reste juste cela - un design.

Néanmoins, les simulations sont prometteuses. L'analyse effectuée ici suggère que le neurone à nanofils est un candidat prometteur pour l'avancement des réseaux de neurones artificiels de faible puissance, selon l'équipe.

Et le potentiel est important. Toomey et co disent que les réseaux de neurones supraconducteurs pourraient être la base d'un matériel informatique entièrement nouveau sous la forme de réseaux de neurones supraconducteurs. Ces puces pourraient être mises en réseau à l'aide d'une interconnexion supraconductrice, ce qui n'entraînerait aucune dissipation de chaleur.

Le résultat serait un processeur neuromorphique à grande échelle qui pourrait être formé comme un réseau neuronal de pointe pour effectuer des tâches comme la reconnaissance de formes ou utilisé pour simuler la dynamique de pointe d'un grand réseau biologiquement réaliste, disent-ils.

C'est un travail intéressant, même s'il nécessite une démonstration de preuve de principe avant que l'excitation ne puisse commencer à se développer.

Réf : arxiv.org/abs/1907.00263 : Un neurone artificiel économe en énergie utilisant des nanofils supraconducteurs

cacher