Les ingénieurs développent un dispositif qui fusionne les fonctions de détection et de calcul pour une plateforme informatique reconfigurable
Ces dernières années, les ingénieurs ont tenté de créer des systèmes matériels qui prennent mieux en charge les exigences informatiques élevées des algorithmes d’apprentissage automatique. Il s’agit notamment de systèmes capables d’exécuter plusieurs fonctions, agissant simultanément comme capteurs, mémoires et processeurs informatiques.
Des chercheurs de l’Université de Pékin ont récemment développé une nouvelle plate-forme informatique neuromorphique reconfigurable qui intègre des fonctions de détection et de calcul dans un seul appareil. Ce système, décrit dans un article publié dans Électronique naturelleest composé d'un réseau de plusieurs phototransistors avec un memristor (MP1R).
« L'inspiration pour cette recherche découle des limites des systèmes informatiques de vision traditionnels basés sur l'architecture CMOS von Neumann », a déclaré Yuchao Yang, auteur principal de l'article, à Tech Xplore.
« Ces systèmes sont confrontés à des défis importants en matière de traitement d'images en temps réel en raison de la séparation physique entre les capteurs d'images, la mémoire et les processeurs, ce qui entraîne une redondance des données, une consommation d'énergie élevée et des retards de traitement. En revanche, les systèmes de vision biologique, tels que l'humain œil, font preuve d'une efficacité et d'une adaptabilité remarquables, motivant le développement d'approches bioinspirées de l'informatique de vision.
Bien que les memristors photoniques se soient révélés être des dispositifs prometteurs pour exécuter des algorithmes de vision par ordinateur, leur capacité à coder et à traiter des données optiques est limitée. En conséquence, ils ne sont souvent pas aussi bien adaptés à l’exécution d’autres architectures de réseaux neuronaux que celles conçues pour effectuer des tâches de vision par ordinateur.
« Ce défi nous a motivé à explorer de nouvelles solutions de traitement intégrées aux capteurs, capables d'unifier les paradigmes d'apprentissage automatique et de calcul de vision d'inspiration biologique », a déclaré Yang.
L'objectif principal de la récente étude menée par Yang et ses collègues était de développer une plate-forme de traitement intégrée au capteur universelle et reconfigurable. Contrairement aux systèmes précédents basés sur des memristors photoniques, cette plate-forme devrait prendre en charge à la fois les algorithmes de vision par ordinateur et d'autres architectures de réseaux neuronaux.
« Nous avons fabriqué le réseau MP1R en intégrant un réseau de phototransistors 20 × 20 avec 20 canaux de memristors Mott reconfigurables », a expliqué Yang. « Le processus a commencé avec la fabrication de transistors à couches minces amorphes en oxyde d'indium et de gallium-zinc (α-IGZO) utilisant un traitement compatible avec l'oxyde de silicium, ce qui nous a permis de créer des phototransistors à grille arrière. »
Le réseau de phototransistors 20×20 fabriqué par Yang et ses collègues peut détecter la lumière et moduler sa réponse en fonction de ses différentes longueurs d'onde. Plus précisément, le réseau présente un comportement de potentialisation lorsqu'il est exposé à la lumière bleue et un comportement de dépression lorsqu'il est exposé à la lumière rouge.
« Ensuite, nous avons intégré les memristors Mott, construits à partir de Ta/TaOx/NbOx/W hétérostructures, qui fournissent plusieurs caractéristiques clés », a déclaré Yang.
« Celles-ci incluent une région résistive linéaire, une mémoire volatile et des capacités de commutation de seuil. Ces caractéristiques permettent au système de prendre en charge plusieurs types de codage (analogique et basé sur des pointes) et de simuler efficacement les fonctions synaptiques et neuronales. »
La plateforme créée par les chercheurs combine la détection optique avec des fonctions de traitement des données et de mémoire dans un seul système. Il est très polyvalent et peut être utilisé pour exécuter des algorithmes conçus pour s’attaquer à diverses tâches, allant des tâches de reconnaissance d’images statiques et basées sur des événements à l’analyse d’images colorées.
« Nos travaux récents ont conduit à plusieurs réalisations notables dans le domaine des systèmes de vision neuromorphiques », a déclaré Yang.
« L'une des innovations clés de ce travail est l'intégration de memristors à oxyde de Mott avec des phototransistors pour créer un système matériel très polyvalent. Cette intégration permet au système de prendre en charge plusieurs fonctions de codage d'image optique, notamment le codage spatio-temporel, analogique et de pointe, qui ont été auparavant difficile à réaliser avec un seul appareil. »
Notamment, le système créé par Yang et ses collègues est compatible avec un large éventail d'architectures de réseaux neuronaux, notamment les réseaux neuronaux convolutifs (CNN), les réseaux neuronaux récurrents (RNN) et les réseaux neuronaux à pointe (SNN). Cette polyvalence remarquable pourrait faciliter son déploiement futur dans des contextes réels.
« Une réalisation importante de notre système est sa capacité à prendre en charge des algorithmes d'inspiration biologique et d'apprentissage automatique, comblant ainsi le fossé entre ces deux paradigmes en informatique de vision », a déclaré Yang.
« Ce système matériel reconfigurable simplifie la conception des circuits en consolidant plusieurs principes de traitement neuronal en un seul dispositif. En conséquence, le système offre une complexité de réseau réduite, une latence plus faible et une efficacité énergétique améliorée, ce qui le rend particulièrement efficace pour les applications de traitement d'images en temps réel. «
Un autre avantage de la plateforme créée par Yang et ses collègues est sa fiabilité dans un large éventail de tâches. Cela est dû à la faible variabilité Ta/TaOx/NbOx/W dispositifs memristor sur lesquels il est basé.
« En termes d'implications pratiques, ce travail pose une base cruciale pour la construction de systèmes de vision neuromorphique à grande échelle, économes en énergie et à faible latence », a déclaré Yang. « Ces systèmes pourraient fournir une plate-forme puissante pour les applications avancées d'IA de vision, offrant des avantages significatifs en termes de flexibilité, de performances et d'évolutivité. »
Les efforts récents de cette équipe de chercheurs pourraient ouvrir la voie au développement d’autres plateformes universelles de vision neuromorphique. Cela pourrait contribuer à améliorer les performances des algorithmes d’apprentissage automatique sur diverses tâches, tout en réduisant leur consommation d’énergie.
« Bien que nous ayons développé avec succès un memristor doté de riches caractéristiques dynamiques et démontré ses avantages dans la mise en œuvre de fonctions et d'architectures matérielles de vision neuromorphique, contribuant ainsi à des avancées critiques en matière de recherche vers une plate-forme informatique de vision neuromorphique universelle, il reste encore un travail important à faire », a ajouté Yang.
« À l'avenir, nous prévoyons de nous concentrer sur la réalisation d'une intégration tridimensionnelle pour améliorer la densité du système et l'efficacité informatique. »
Dans leurs prochaines études, Yang et ses collègues tenteront également d'optimiser la consommation électrique de leur plateforme et d'améliorer sa sensibilité aux changements d'éclairage. Cela renforcerait encore la polyvalence du système, lui permettant également de collecter des données de qualité dans des conditions de lumière naturelle et de faible éclairage.
