Mémoire memristor-ferroélectrique unifiée développée pour la formation économe en énergie des systèmes d'IA

Au cours des dernières décennies, les ingénieurs électroniciens ont développé une large gamme de dispositifs de mémoire capables de stocker de manière sûre et efficace des quantités croissantes de données. Cependant, les différents types de dispositifs développés à ce jour comportent leurs propres compromis, qui limitent leurs performances globales et restreignent leurs applications possibles.

Des chercheurs de l'Université Grenoble Alpes (CEA-Leti, CEA List), de l'Université de Bordeaux (CNRS) et de l'Université Paris-Saclay (CNRS) ont récemment développé un nouveau dispositif de mémoire combinant deux composants complémentaires généralement utilisés individuellement, appelés memristors et condensateurs ferroélectriques (FeCAP). Cette mémoire memristor-ferroélectrique unifiée, présentée dans un article publié dans Électronique naturellepourrait être particulièrement prometteur pour faire fonctionner des systèmes d’intelligence artificielle (IA) qui apprennent de manière autonome à faire des prédictions de plus en plus précises.

« La mémoire 'idéale' serait à haute densité, non volatile, capable d'une lecture non destructive et offrirait une endurance pratiquement infinie », a déclaré Elisa Vianello, auteur principal de l'article, à Tech Xplore.

« Malheureusement, une telle mémoire n'existe pas encore et elle ne sera peut-être jamais entièrement réalisable. Pour remédier à cette limitation, nous avons réalisé qu'une nouvelle approche était nécessaire, une approche qui pourrait combiner les atouts complémentaires de différents dispositifs de mémoire. »

En examinant les composants des solutions de mémoire existantes, Vianello et ses collègues ont réalisé que les FeCAP et les memristors partagent une structure de pile remarquablement similaire, même si leur fonctionnement repose sur des mécanismes physiques très différents. Cela les a finalement incités à développer une nouvelle mémoire intégrant les fonctionnalités de ces deux composants au sein d’une seule pile, ce qui pourrait être avantageux pour la formation et la mise en œuvre économes en énergie d’algorithmes d’IA.

« Un memristor stocke les informations en modifiant sa résistance électrique grâce à la création et à la dissolution d'un filament conducteur qui relie les deux électrodes », a expliqué Vianello.

« La programmation de ces états de résistance nécessite un contrôle précis du courant, qui influence à la fois la puissance de programmation et l'endurance d'écriture de l'appareil. En revanche, les opérations de lecture n'impliquent qu'une impulsion courte et basse tension pour déterminer les valeurs de résistance stockées. »

Un FeCAP, deuxième composant du système hybride développé par Vianello et ses collègues, est un dispositif de mémoire basé sur un matériau ferroélectrique. Cet appareil stocke les informations via la polarisation réversible du matériau ferroélectrique, qui est commutée par un champ électrique appliqué.

« Étant donné que l'inversion de polarisation nécessite un courant de déplacement ultra faible, les FeCAP offrent une endurance exceptionnelle et une consommation d'énergie extrêmement faible lors de la programmation », a déclaré Vianello.

« Notre mémoire ferroélectrique à memristors intègre du HfO₂ dopé au silicium (couramment utilisé dans les FeCAP) avec une couche de récupération en titane (généralement utilisée dans les memristors). Dans notre conception, tous les dispositifs se comportent initialement comme des FeCAP mais, grâce à la couche de Ti, peuvent être transformés en memristors grâce à une opération de formage électrique. « 

Essentiellement, la mémoire hybride créée par cette équipe de chercheurs combine les meilleures caractéristiques des memristors et de la technologie FeCAP. Comme les memristors, il excelle en inférence, car il peut stocker des poids analogiques, est économe en énergie lors des opérations de lecture et prend en charge le calcul en mémoire. Cependant, en intégrant des FeCAP, il prend également en charge des mises à jour rapides et à faible consommation d'énergie, ce qui est idéal lors de la formation d'algorithmes d'apprentissage automatique.

« Nous avons démontré une technologie de mémoire qui combine les fonctions des memristors et des FeCAP au sein d'une seule pile », a déclaré Vianello. « Cette approche hybride exploite les atouts des deux types de dispositifs, permettant une formation sur puce efficace et fiable et une inférence de réseaux neuronaux artificiels. »

Ces travaux récents de Vianello et de ses collègues pourraient bientôt inspirer d’autres groupes de recherche à développer d’autres solutions de stockage de données hybrides combinant des composants de mémoire apparemment très différents. À l’avenir, la mémoire qu’ils ont créée pourrait être encore améliorée et utilisée pour prendre en charge la formation et la mise en œuvre de Edge AI, un système dans lequel les algorithmes d’IA s’exécutent directement sur le matériel local, au lieu de s’appuyer sur des serveurs cloud et des centres de données distants.

« De nombreuses applications du monde réel nécessitent que les systèmes d'IA apprennent continuellement de nouvelles tâches ou s'adaptent à des entrées changeantes sans oublier de manière catastrophique les connaissances acquises précédemment », a ajouté Vianello.

« Cependant, les méthodes classiques d'apprentissage profond ont tendance à écraser les paramètres existants par de nouvelles informations. Récemment, plusieurs nouveaux algorithmes ont été proposés pour relever ces défis. Notre prochain objectif est d'intégrer notre technologie de mémoire à ces approches émergentes, ouvrant ainsi la voie à des systèmes capables d'apprendre en continu et de s'adapter de manière dynamique, un peu comme le cerveau humain. »