Une équipe de recherche conçoit un dispositif inspiré du cerveau pour l’informatique optoélectronique

Rappel parfait, magie informatique et esprit de rapière : c’est le cerveau que nous voulons tous, mais comment concevoir un tel cerveau ? La vraie chose est composée d’environ 80 milliards de neurones qui se coordonnent les uns avec les autres à travers des dizaines de milliers de connexions sous la forme de synapses. Le cerveau humain n’a pas de processeur centralisé, contrairement à un ordinateur portable standard.

Au lieu de cela, de nombreux calculs sont exécutés en parallèle et les résultats sont comparés. Bien que les principes de fonctionnement du cerveau humain ne soient pas entièrement compris, les algorithmes mathématiques existants peuvent être utilisés pour retravailler les principes d’apprentissage en profondeur dans des systèmes plus proches du cerveau humain. Ce paradigme informatique inspiré du cerveau – les réseaux de neurones à pointes (SNN) – fournit une architecture informatique bien alignée avec les avantages potentiels des systèmes utilisant à la fois des composants optiques et électroniques.

Dans les SNN, les informations sont traitées sous la forme de pointes ou de potentiels d’action, qui sont les impulsions électriques qui se produisent dans les vrais neurones lorsqu’ils se déclenchent. L’une de leurs principales caractéristiques est qu’ils utilisent un traitement asynchrone, ce qui signifie que les pics sont traités au fur et à mesure qu’ils se produisent dans le temps, plutôt que d’être traités par lots comme dans les réseaux de neurones traditionnels. Cela permet aux SNN de réagir rapidement aux changements de leurs entrées et d’effectuer certains types de calculs plus efficacement que les réseaux de neurones traditionnels.

Les SNN sont également capables de mettre en œuvre certains types de calcul neuronal qui sont difficiles ou impossibles à mettre en œuvre dans les réseaux de neurones traditionnels, tels que le traitement temporel et la plasticité dépendante du temps de pointe (STDP), qui est une forme d’apprentissage hebbien qui permet aux neurones de changer. leurs connexions synaptiques en fonction du moment de leurs pointes. (L’apprentissage hebbien est résumé comme suit : « Des cellules qui s’allument ensemble se connectent ensemble. » Il se prête aux mathématiques qui modélisent la plasticité de la capacité d’apprentissage du cerveau.)

Un article récemment publié dans le Journal IEEE de sujets sélectionnés en électronique quantique décrit le développement d’un dispositif SNN tirant parti de la co-intégration de neurones optoélectroniques, de circuits électriques analogiques et de maillages d’interféromètre Mach-Zehnder. Ces maillages sont des composants de circuits optiques qui peuvent effectuer une multiplication matricielle, de la même manière que les maillages synaptiques fonctionnent dans le cerveau humain.

Les auteurs ont montré que les neurones optoélectroniques peuvent accepter les entrées d’un réseau de communication optique, traiter les informations via des circuits électriques analogiques et communiquer avec le réseau via un laser. Ce processus permet un transfert de données et une communication plus rapides entre les systèmes que les systèmes électroniques traditionnels.

L’article décrit également l’utilisation d’algorithmes existants, tels que la rétropropagation aléatoire et l’apprentissage contrastif hebbien, pour créer des systèmes informatiques inspirés du cerveau. Ces algorithmes permettent au système d’apprendre à partir d’informations locales à chaque synapse, comme le ferait le cerveau humain, offrant des avantages significatifs en termes de performances de calcul par rapport aux systèmes d’apprentissage automatique traditionnels qui utilisent la rétropropagation.

En ce qui concerne l’IA et l’apprentissage automatique, les SNN offrent plusieurs avantages par rapport aux paradigmes informatiques modernes pour les tâches qui imitent les conditions dans lesquelles ils ont naturellement évolué. Étant donné que les SNN traitent les données au fil du temps de manière continue, ils sont bien adaptés aux applications situées dans des environnements en temps réel avec des instances d’inférence et d’apprentissage uniques présentées à la fois (comme le traitement du signal basé sur les événements).

De plus, la diffusion de l’information dans le temps permet de multiples formes de mémoire à différentes échelles de temps, comme la distinction humaine entre mémoire de travail, à court terme et à long terme. La détection neuromorphique et la robotique sont des applications courantes des SNN ; par exemple, un contrôleur de bras robotique adaptatif peut fournir un contrôle moteur fiable lorsque les actionneurs s’usent.

Plus spéculativement, les futurs appareils pourraient exploiter ces propriétés dans le contexte du traitement audio en direct et du langage naturel pour les assistants vocaux, les services de sous-titrage en direct ou la séparation audio ; de même, les SNN peuvent être utilisés pour la vidéo en direct et le traitement lidar dans des véhicules autonomes ou des systèmes de surveillance.

Fourni par l’Institut des ingénieurs électriciens et électroniciens