Une manière révolutionnaire d’entraîner des puces neuromorphiques

En utilisant un biocapteur pour détecter la mucoviscidose comme cas de test, les chercheurs de TU/e ​​ont conçu une manière innovante d’entraîner des puces neuromorphiques, comme présenté dans un nouvel article publié dans Électronique naturelle.

Les ordinateurs neuromorphiques, basés sur la structure du cerveau humain, pourraient révolutionner nos futurs appareils de soins de santé. Cependant, leur utilisation généralisée est entravée par la nécessité de former des ordinateurs neuromorphiques à l’aide d’un logiciel de formation externe, ce qui peut prendre du temps et être inefficace en termes d’énergie.

Des chercheurs de l’Université de technologie d’Eindhoven et de l’Université Northwestern aux États-Unis ont développé un nouveau biocapteur neuromorphique capable d’apprendre sur puce ne nécessitant pas de formation externe. Comme preuve de concept, les chercheurs ont utilisé le biocapteur pour diagnostiquer la mucoviscidose sur la base d’échantillons de sueur.

« Nous avons démontré que nous pouvons créer un « biocapteur intelligent » capable d’apprendre à détecter une maladie, telle que la mucoviscidose, sans utiliser d’ordinateur ou de logiciel. » C’est ainsi qu’Eveline van Doremaele a résumé leur nouvel article avec Yoeri van de Burgt de TU/e, ainsi que Xudong Ji et Jonathan Rivnay de la Northwestern University aux États-Unis.

Le « biocapteur intelligent » utilisé dans leurs recherches est un ordinateur de biodétection neuromorphique, un dispositif dont le fonctionnement s’inspire de la façon dont les neurones communiquent avec d’autres neurones du cerveau humain.

« L’informatique neuromorphique pourrait avoir un impact significatif sur les soins de santé par exemple, en particulier lorsqu’il s’agit d’appareils sur le lieu d’intervention permettant de détecter une maladie ou un état pathologique », explique van Doremaele. « Et dans nos recherches, nous avons résolu un problème majeur concernant l’utilisation d’ordinateurs neuromorphiques dans les soins de santé. »

Adieu aux logiciels externes

Alors, quel est le problème résolu par van Doremaele et ses collaborateurs ? « Pour une utilisation pratique dans les dispositifs de soins de santé, les technologies neuromorphiques doivent avoir une faible consommation d’énergie, s’interfacer avec un capteur et être facilement entraînées à l’utilisation. Les deux premiers d’entre eux peuvent être résolus avec l’électronique organique. Mais c’est la partie formation qui est la question centrale. »

Jusqu’à présent, le réseau neuronal d’une puce neuromorphique était formé à l’aide d’un logiciel externe, ce qui est un processus qui peut prendre du temps et être inefficace en termes d’énergie. « Désormais, notre nouvelle puce peut apprendre à la volée en traitant les données des patients en temps réel, ce qui accélère certainement le processus de formation et contribue à promouvoir l’utilisation de la puce dans de véritables bioapplications interactives », explique le chercheur.

Recherche d’anions chlorure

Pour tester l’efficacité de leur toute nouvelle puce, les chercheurs l’ont utilisée pour tester la maladie génétique de la mucoviscidose. La fibrose kystique est une maladie héréditaire qui peut endommager des organes tels que les poumons et le système digestif.

Un moyen existant de tester la maladie consiste à effectuer un test de transpiration dans lequel un niveau élevé d’anions chlorure est un indicateur de la fibrose kystique. Des capteurs fiables sont déjà disponibles pour tester la mucoviscidose. Ce test a donc fourni aux chercheurs une étude de cas facile à vérifier pour leur capteur d’apprentissage sur puce.

« Pour faciliter la mise en œuvre, nous n’avons pas travaillé avec des données réelles sur les patients. Au lieu de cela, nous avons utilisé des échantillons de sueur provenant de donneurs sains », explique van Doremaele. « Un échantillon était un échantillon négatif ou un échantillon sain de sueur d’un donneur, tandis qu’un deuxième échantillon était préparé pour contenir une très forte concentration d’anions chlorure. »

Le biocapteur neuromorphique des chercheurs se compose de trois parties principales : le module de capteur, le réseau neuronal matériel et la partie de classification des sorties. Une goutte de sueur est ajoutée au module capteur, après quoi les concentrations de chlorure et d’autres ions dans la sueur sont détectées à l’aide d’électrodes sélectives d’ions. Ces signaux sont ensuite traités par la puce neuromorphique elle-même. Enfin, le résultat de l’analyse s’affiche sous la forme d’un voyant vert ou rouge indiquant respectivement un résultat négatif ou positif.

Entraînement au « data gym »

Avant que la puce ne soit utilisée pour évaluer les principaux échantillons de sueur, le réseau neuronal devait passer au « data gym » et suivre un entraînement supervisé.

« Nous avons créé un certain nombre d’échantillons de sueur avec des concentrations d’ions variables et connues, puis testé les échantillons sur la puce. Si le résultat d’un test de la puce était erroné, nous corrigions la puce, ce qui entraînait des corrections des poids entre les nœuds. du réseau neuronal », explique van Doremaele. « Il est important de former la puce sur le matériel lui-même. »

Il s’agit de l’avancée majeure de cette recherche : la capacité d’entraîner le réseau neuronal sur la puce, le tout sans avoir recours à un logiciel externe. « Lorsque la puce est adaptée au problème qui l’intéresse (ici la détection de la mucoviscidose à partir d’échantillons de sueur), aucun autre contrôle ou intervention externe n’est nécessaire », ajoute van Doremaele.

La facilité de se reconvertir

De plus, même entraînée, la puce peut être utilisée pour un autre problème. « Disons que vous souhaitez utiliser le même matériel de réseau neuronal dans une main ou un bras prothétique intelligent. Dans ce cas, tout ce que vous avez à faire est de recycler le réseau neuronal dans la « salle de sport de données » avec des informations sur les mouvements de la main ou du bras », explique van Doremaele. .

Cette nouvelle approche d’apprentissage sur puce ouvre la possibilité de réseaux neuronaux implantables personnalisés qui sont formés par l’utilisateur final grâce à l’utilisation de données provenant directement de l’utilisateur. « Une telle approche de formation des réseaux neuronaux pour les soins de santé pourrait avoir des implications significatives pour les gens et pourrait un jour fournir un moyen de former des puces en temps réel pour contrôler des prothèses ou d’autres dispositifs similaires. La véritable nouveauté est que les puces peuvent apprendre et s’adapter. à leur application et à leur environnement. Ils n’ont pas besoin d’être programmés au préalable, comme c’est le cas aujourd’hui.