Une technologie neuromorphique d'IBM et Intel pourrait s'avérer utile pour analyser les radiographies et les marchés boursiers
Inspirées du cerveau, les micropuces « neuromorphiques » d'IBM et Intel pourraient être utiles non seulement pour l'intelligence artificielle. Une nouvelle étude affirme qu'elles pourraient aussi être idéales pour une classe de calculs utiles dans un large éventail d'applications, notamment l'analyse de radiographies médicales et l'économie financière.
Les scientifiques essaient depuis longtemps d'imiter le fonctionnement du cerveau à l'aide de programmes connus sous le nom de réseaux de neurones et de matériels connus sous le nom de puces neuromorphiques. Jusqu'à présent, le calcul neuromorphique s'est surtout concentré sur la mise en œuvre de réseaux de neurones. On ne savait pas si ce matériel pourrait s'avérer utile au-delà des applications d'IA.
Les puces neuromorphiques imitent généralement le fonctionnement des neurones de diverses manières, par exemple en effectuant de nombreux calculs en parallèle. De plus, tout comme les neurones biologiques calculent et stockent à la fois des données, le matériel neuromorphique cherche souvent à combiner processeurs et mémoire, ce qui réduirait potentiellement l'énergie et le temps que les ordinateurs classiques perdent à transférer les données entre ces composants.
Alors que les micropuces classiques utilisent des signaux émis à intervalles réguliers pour coordonner l'action des circuits, l'activité dans une architecture neuromorphique prend souvent la forme de pics, déclenchés uniquement lorsque la charge électrique atteint une valeur donnée, ce qui ressemble beaucoup à ce qui se passe dans un cerveau comme le nôtre.
Jusqu'à présent, l'avantage principal du calcul neuromorphique résidait dans l'efficacité énergétique : des fonctions comme les pics et la combinaison mémoire-traitement ont donné naissance à la puce IBM TrueNorth, dont la densité de puissance était inférieure de quatre ordres de grandeur à celle des microprocesseurs classiques de l'époque.
« D'après de nombreuses études, nous savons que le calcul neuromorphique présentera des avantages en matière d'efficacité énergétique, mais en pratique, les gens ne se soucient pas des économies d'énergie si cela signifie que vous travaillez beaucoup plus lentement »
Aujourd'hui, les scientifiques pensent que les ordinateurs neuromorphiques pourraient être bien adaptés aux méthodes dites de Monte-Carlo, où les problèmes sont essentiellement traités comme des jeux, et les solutions sont obtenues grâce à de nombreuses simulations aléatoires, ou « promenades », de ces jeux.
« Nous en sommes venus aux marches aléatoires en examinant des problèmes qui ne passent pas très bien à l'échelle sur du matériel classique. Généralement, les solutions par la méthode de Monte-Carlo nécessitent un grand nombre de parcours aléatoires pour obtenir une bonne solution, et bien qu'il soit simple, pris individuellement, de calculer ce que fait chaque marcheur au fil du temps, dans la pratique, la nécessité d'effectuer un grand nombre de ces parcours devient prohibitive »
À l'inverse, plutôt que de simuler en parallèle un groupe de marcheurs aléatoires, chacun effectuant ses propres calculs, les scientifiques peuvent programmer un réseau unique de circuits neuromorphiques pour représenter l'ensemble des calculs que peut effectuer une marche aléatoire, puis, en considérant chaque marche aléatoire comme un pic se déplaçant sur le réseau, résoudre l'ensemble du problème en une seule fois.
En particulier, de même que des travaux antérieurs ont montré que l'informatique quantique peut présenter un « avantage quantique » sur l'informatique classique dans un grand ensemble de tâches, les chercheurs ont découvert qu'un « avantage neuromorphique » pourrait exister pour les marches aléatoires à travers des chaînes de Markov à temps discret.
« Si vous imaginez le problème comme un jeu de société, ici la « chaîne » désigne une partie qui traverse une séquence d'états ou d'espaces. Les chaînes de Markov signifient que la prochaine case du jeu où vous pouvez aller ne dépend que de votre position actuelle, et non de votre historique précédent, comme dans des jeux de société tels que « Monopoly » ou « Le Pays des bonbons ». Le « temps discret » signifie simplement qu'il y a un intervalle de temps fixe entre les changements d'espace — un tour »
Lors d'expériences menées avec les puces neuromorphiques IBM TrueNorth et Intel Loihi, un processeur Intel Xeon E5-2662 de classe serveur et un processeur graphique Nvidia Titan Xp, les scientifiques ont constaté que, pour résoudre cette classe de problèmes à grande échelle, les puces neuromorphiques se sont révélées plus efficaces que les semi-conducteurs classiques en termes de consommation d'énergie et, sinon meilleures, au moins compétitives en termes de temps.
« Je crois fermement que le calcul neuromorphique pour l'IA est très intéressant, et que le matériel inspiré du cerveau conduira à une IA plus intelligente et plus puissante. Mais en même temps, en montrant que le calcul neuromorphique peut être efficace dans les applications informatiques ordinaires, cette technologie pourrait avoir un impact bien plus large sur la société »
L'un des moyens d'obtenir un avantage des puces neuromorphes en termes de performances et d'efficacité énergétique a été un degré élevé de parallélisme. Ce qui l'a renforcé, c'est la capacité à représenter chaque marche aléatoire comme une seule impulsion d'activité plutôt qu'un ensemble d'actions plus complexe.
« La grande limite de ces méthodes de Monte-Carlo est que nous devons simuler de nombreux marcheurs. Comme les impulsions sont un moyen si simple de représenter une marche aléatoire, ajouter un marcheur aléatoire supplémentaire revient simplement à ajouter au système une impulsion supplémentaire, qui fonctionnera en parallèle de toutes les autres. Ainsi, le coût en temps d'un marcheur supplémentaire est très faible »
La capacité à résoudre efficacement cette classe de problèmes a un large éventail d'applications potentielles, comme la modélisation des actions et des options sur les marchés financiers, une meilleure compréhension de la façon dont les rayons X interagissent avec les os et les tissus mous, le suivi de la façon dont l'information se propage sur les réseaux sociaux, et la modélisation de la propagation des maladies au sein des populations. Aimone estime que « les applications de cette approche sont partout ».
Mais le fait qu'un avantage neuromorphique puisse exister pour certaines tâches « ne signifie pas que les ordinateurs inspirés du cerveau puissent tout faire mieux que les ordinateurs classiques », met en garde Aimone. Selon lui, l'avenir du calcul passera probablement par la combinaison de différentes technologies. Les scientifiques n'essaient pas de dire que la neuromorphie remplacera tout.
Les chercheurs étudient actuellement des moyens de gérer les interactions entre plusieurs « marcheurs », c'est-à-dire les participants de ces scénarios, ce qui permettrait d'utiliser des applications telles que la simulation de dynamique moléculaire. Ils développent également des outils logiciels pour aider d'autres développeurs à travailler sur cette recherche.
