Weebit Nano lance un programme de recherche sur la ReRAM Matrix pour le calcul de l’IA en mémoire

Weebit Nano a lancé le programme de recherche Weebit Matrix sur le calcul en mémoire, qui donne aux chercheurs du milieu universitaire et de l’industrie accès à du matériel ReRAM pour tester une autre façon d’effectuer les calculs de l’IA : les réaliser là où les données sont stockées.

Le programme propose des kits de recherche reposant sur une matrice croisée de 32 × 32, compatibles avec des opérations telles que la multiplication matrice-vecteur, la convolution et les réseaux neuronaux impulsionnels. Il s’intéresse à une question matérielle importante pour l’IA en périphérie : combien d’énergie et de temps peut-on économiser en réduisant les transferts répétés entre la mémoire et un processeur distinct ?

Il s’agit du lancement d’une plateforme de recherche, et non d’un accélérateur d’IA commercial prêt à l’emploi. Weebit indique que des défis techniques restent à relever avant qu’une solution de calcul en mémoire puisse arriver sur le marché commercial. L’objectif immédiat est de permettre aux chercheurs de passer des modèles et des simulations à des expériences sur du matériel ReRAM réel.

Pourquoi effectuer des calculs directement en mémoire ?

L’inférence des réseaux neuronaux consiste à combiner de façon répétée les entrées avec les poids stockés du modèle. Dans une architecture classique, le déplacement de ces valeurs dans la hiérarchie mémoire peut consommer de la bande passante et de l’énergie. Le calcul en mémoire, ou IMC, vise à effectuer une partie de ces opérations directement dans la matrice mémoire.

La mémoire à accès aléatoire résistive, ou ReRAM, stocke les informations au moyen d’une résistance électrique programmable. Les cellules à base d’oxyde de Weebit comprennent une couche de commutation entre des électrodes ; les tensions appliquées modifient le chemin conducteur et, par conséquent, la résistance de la cellule. L’état stocké est conservé sans alimentation électrique continue, ce qui rend la ReRAM non volatile.

Dans la recherche sur le calcul analogique, ces propriétés électriques peuvent servir à bien plus qu’au stockage de bits. Une matrice peut coder les poids dans ses cellules mémoire et exploiter les réponses électriques qui en résultent pour participer aux calculs. Le comportement physique de la mémoire est ainsi lié aux opérations de multiplication-accumulation utilisées dans l’ensemble des réseaux neuronaux.

Cette approche est particulièrement pertinente pour les appareils soumis à des contraintes strictes de puissance et de dissipation thermique, notamment les capteurs, les équipements industriels et d’autres systèmes en périphérie. Cela ne signifie pas que toutes les parties d’un modèle d’IA s’exécutent dans la matrice ni que les déplacements de données disparaissent du système dans son ensemble.

Contenu des kits de recherche Matrix

Weebit propose dans un premier temps deux offres :

• Forfait d’évaluation Matrix IMC : une carte d’évaluation à accès direct destinée aux chercheurs qui souhaitent accéder plus directement au matériel.
• Forfait de démarrage rapide Matrix IMC : une carte IMC complète, un sous-système FPGA et des exemples de code.

Les deux offres comprennent des échantillons de puces conditionnés, de la documentation et une carte IMC avec un support. La matrice croisée de 32 × 32 fournit une plateforme contrôlée pour étudier les méthodes de programmation, les algorithmes d’IA et les architectures neuromorphiques, notamment les réseaux neuronaux impulsionnels.

Le sous-système FPGA inclus dans l’offre de démarrage rapide met à la disposition des chercheurs un matériel numérique programmable en complément de la matrice mémoire. Il est utile pour étudier des systèmes hybrides, dans lesquels les opérations reposant sur la mémoire fonctionnent avec des traitements classiques, au lieu de chercher à remplacer l’ensemble d’une chaîne de calcul.

Les participants communiqueront à Weebit leurs résultats et leurs commentaires concernant la ReRAM. L’entreprise indique que cette collaboration vise à améliorer la technologie et à alimenter les travaux de recherche plus larges. L’annonce ne précise ni le prix des kits, ni le nombre de projets retenus, ni la date de livraison d’un accélérateur commercial.

Remettre en contexte la promesse d’une consommation réduite de 80×

Un résumé de recherche associé apporte des précisions importantes sur les performances annoncées par Weebit. Une entreprise américaine non identifiée, qui travaille sur du matériel d’IA tolérant aux rayonnements, a évalué une architecture IMC pour une tâche de classification d’images à l’aide d’un réseau neuronal convolutif personnalisé.

La comparaison portait sur un GPU NVIDIA GeForce RTX 4090 et une plateforme FPGA Xilinx ZCU104. Les résultats au niveau du système IMC ont été projetés au moyen d’une modélisation applicative fondée sur des mesures réalisées sur une matrice ReRAM de Weebit.

Pour cette charge de travail, l’analyse a projeté une consommation électrique environ 80 fois inférieure à celle de l’implémentation sur GPU et 13 fois inférieure à celle de l’implémentation sur FPGA. Le communiqué de lancement fait par ailleurs état d’une réduction de la latence de près de 100 fois. Il s’agit de projections propres à cette charge de travail, et non de mesures validées indépendamment montrant qu’un accélérateur Matrix commercial complet surpasse les GPU pour l’ensemble des tâches d’IA.

Cette distinction est au cœur du programme de recherche. Un résultat intéressant au niveau de la matrice doit se traduire par un système complet qui préserve la précision du modèle tout en tenant compte du contrôle, de la conversion des données, des communications et des autres opérations de soutien. Ces fonctions connexes consomment elles aussi de l’énergie et ajoutent de la latence.

Les essais sur matériel peuvent révéler ce que les simulations ne montrent pas

Le PDG de Weebit, Coby Hanoch, évoque la collaboration antérieure avec le CEA-Leti, notamment une démonstration de réseau neuronal impulsionnel fondé sur la ReRAM en 2019. Matrix prolonge cette orientation de recherche en mettant une plateforme matérielle définie à la disposition d’autres chercheurs qualifiés.

Le chercheur en informatique neuromorphique Kevin D. Johnson, dont les travaux portent notamment sur l’informatique hétérogène et neuromorphique, a déclaré vouloir utiliser la plateforme pour valider des modèles sur du matériel réel et évaluer la précision, la latence et la consommation électrique à l’échelle du système. Il s’intéresse également à la combinaison de la ReRAM avec d’autres technologies de traitement.

Cette approche répond à un enjeu concret : déterminer quelles parties d’une charge de travail bénéficient du calcul en mémoire, puis les associer à d’autres composants matériels lorsque cela est pertinent. La question de recherche dépasse la simple efficacité d’une opération prise isolément ; elle consiste aussi à savoir si le système obtenu offre des performances applicatives utiles et reproductibles.

Weebit souligne également la résistance aux rayonnements comme une raison d’étudier la ReRAM pour les environnements difficiles. L’adéquation à une application particulière dans l’aérospatiale, la défense ou le secteur médical dépendrait toutefois des exigences et de la validation de l’ensemble de la conception.

Démonstrations et accès à la recherche

Weebit prévoit de présenter Matrix IMC à electronica 2026, qui se tiendra du 10 au 13 novembre à Munich. L’entreprise indique qu’elle sera présente dans le hall C2, au stand 637 ; la page de l’événement fournit les détails des démonstrations et des rendez-vous.

Les kits sont accessibles aux chercheurs qualifiés, et les candidatures seront évaluées en fonction de leur adéquation avec les axes de recherche du programme. Weebit met à la disposition des participants potentiels un formulaire de candidature pour un projet de recherche.

La contribution immédiate de Matrix consiste à donner accès à du matériel permettant de vérifier les hypothèses qui sous-tendent l’IA en mémoire. Dans un domaine qui vise à réduire le coût des transferts de données, les éléments les plus probants seront les résultats obtenus en mesurant conjointement la précision, la consommation énergétique et la latence lors de l’exécution de charges de travail réelles par les chercheurs.