Les systèmes d'intelligence artificielle actuels reposent sur des puces informatiques classiques qui transfèrent constamment des données entre la mémoire et les unités de traitement. Ce flux continu consomme d'énormes quantités d'électricité, et la demande mondiale croît rapidement à mesure que l'IA se développe dans divers secteurs.
L'informatique neuromorphique, ou inspirée du cerveau, constitue une alternative qui pourrait réduire la consommation d'énergie jusqu'à 70 % en stockant et en traitant les informations au même endroit, avec une consommation d'énergie extrêmement faible. De plus, ce type de système serait beaucoup plus adaptable, à l'image du cerveau humain qui apprend et s'adapte.
« La consommation d'énergie représente un défi majeur pour le matériel d'IA actuel », explique le Dr Babak Bakhit, auteur principal de l'étude et membre du département de science des matériaux et de métallurgie de l'université de Cambridge. « Pour y remédier, il est nécessaire de disposer de dispositifs présentant des courants extrêmement faibles, une grande stabilité, une uniformité remarquable et la capacité de basculer entre plusieurs états. »
La plupart des memristors actuels reposent sur la formation de minuscules filaments conducteurs au sein de matériaux à base d'oxyde métallique. Cependant, ces filaments sont imprévisibles et nécessitent des tensions élevées, ce qui limite leur utilisation dans les systèmes de calcul et de stockage à grande échelle.
L'équipe de Cambridge a créé un nouveau type de film mince à base d'hafnium dont les états changent. En ajoutant du strontium et du titane et en utilisant une méthode de croissance en deux étapes, ils ont pu former de minuscules « grilles électroniques », ou jonctions pn, au sein de l'oxyde. Ceci permet au dispositif de modifier sa résistance de manière continue en ajustant une barrière d'énergie, au lieu de s'appuyer sur des filaments.
Selon Bakhit, ce mécanisme résout l'un des principaux problèmes de cette technologie : son comportement aléatoire. Ses dispositifs présentent une uniformité exceptionnelle entre les cycles et les dispositifs eux-mêmes.
Les chercheurs ont obtenu des courants de commutation environ un million de fois inférieurs à ceux des dispositifs conventionnels, ainsi que des centaines de niveaux de conductance stables, essentiels pour le calcul analogique en mémoire.
Les tests ont montré que les dispositifs peuvent supporter des dizaines de milliers de cycles et conserver leur état pendant environ une journée. Ils ont également reproduit des mécanismes d'apprentissage biologiques, tels que la plasticité dépendante du temps de déclenchement.
Cependant, des défis subsistent, notamment les températures de fabrication élevées (environ 700 °C), supérieures à celles généralement utilisées dans l'industrie. L'équipe travaille à réduire ces températures afin de faciliter l'intégration dans les puces.
Malgré cela, les chercheurs estiment que cette technologie pourrait révolutionner le matériel d'IA grâce à sa faible consommation d'énergie et à ses hautes performances.
