Intelligence artificielle économe en énergie : un nouveau jour avec les ordinateurs neuromorphes

Le domaine en pleine croissance de l’intelligence artificielle (AI) est réputé pour ses performances, mais cela se fait au prix d’un coût énergétique substantiel. Une nouvelle approche, proposée par deux scientifiques de premier plan à l’Institut Max Planck pour la science de la lumière à Erlangen, en Allemagne, vise à former l’IA de manière plus efficace, ce qui pourrait potentiellement révolutionner la façon dont l’IA traite les données.

Les modèles d’IA actuels consomment d’énormes quantités d’énergie pendant leur formation. Même si les chiffres précis sont difficiles à obtenir, les estimations de Statista suggèrent que la formation de GPT-3 nécessite environ 1000 megawatt-heures – équivalent à la consommation annuelle de 200 ménages allemands de taille importante. Même si cette formation énergivore a affiné GPT-3 pour prédire les séquences de mots, il y a un consensus pour dire qu’il n’a pas saisi les significations inhérentes à ces phrases.

Calcul neuromorphique : fusion du cerveau et de la machine

Alors que les systèmes d’IA conventionnels s’appuient sur des réseaux de neurones artificiels numériques, l’avenir pourrait se trouver dans le calcul neuromorphique. Florian Marquardt, directeur de l’Institut Max Planck et professeur à l’Université d’Erlangen, a expliqué les inconvénients des configurations d’IA traditionnelles.

“Le seul transfert de données entre le processeur et la mémoire consomme une quantité importante d’énergie”, a souligné Marquardt, notant les inefficacités lors de la formation de vastes réseaux de neurones.

Le calcul neuromorphique s’inspire du cerveau humain, traitant les données en parallèle plutôt que de manière séquentielle. Essentiellement, les synapses du cerveau fonctionnent à la fois comme processeur et mémoire. Les systèmes qui imitent ces caractéristiques, tels que les circuits photoniques utilisant la lumière pour les calculs, sont actuellement explorés.

Formation de l’IA avec des machines physiques auto-apprenantes

Travaillant aux côtés de l’étudiant en doctorat Víctor López-Pastor, Marquardt a présenté une méthode de formation innovante pour les ordinateurs neuromorphes. Sa “machine physique auto-apprenante” optimise fondamentalement ses paramètres via un processus physique inhérent, ce qui rend les rétroactions externes superflues. “Ne pas nécessiter ces rétroactions rend la formation beaucoup plus efficace”, a souligné Marquardt, suggérant que cette méthode permettrait d’économiser à la fois de l’énergie et du temps de calcul.

Cependant, cette technique innovante a des exigences spécifiques. Le processus doit être réversible, garantissant une perte d’énergie minimale, et suffisamment complexe ou non linéaire. “Seuls les processus non linéaires peuvent exécuter les transformations complexes entre les données d’entrée et les résultats”, a déclaré Marquardt, établissant une distinction entre les actions linéaires et non linéaires.

Vers une mise en œuvre pratique

Les travaux théoriques du duo s’alignent sur les applications pratiques. En collaboration avec une équipe expérimentale, ils font progresser un ordinateur neuromorphique optique qui traite les informations à l’aide d’ondes lumineuses superposées. Leur objectif est clair : concrétiser le concept de machine physique auto-apprenante.

“Nous espérons présenter la première machine physique auto-apprenante dans trois ans”, a projeté Marquardt, indiquant que ces réseaux futurs traiteraient plus de données et seraient formés avec des jeux de données plus importants que les systèmes contemporains. Étant donné la demande croissante pour l’IA et les inefficacités inhérentes aux configurations actuelles, le passage à des ordinateurs neuromorphiques formés de manière efficace semble à la fois inévitable et prometteur.

Selon les mots de Marquardt, “Nous sommes convaincus que les machines physiques auto-apprenantes ont de solides chances dans l’évolution en cours de l’intelligence artificielle.” La communauté scientifique et les passionnés d’IA attendent avec impatience ce que l’avenir réserve.