L’intelligence artificielle se heurte aujourd’hui à un véritable « mur énergétique » : dans les architectures classiques, les données circulent en continu entre la mémoire et les unités de calcul, ce qui entraîne une consommation d’énergie élevée et limite la rapidité des systèmes. Pour Dominique Drouin, professeur-chercheur au Département de génie électrique et de génie informatique de l’Université de Sherbrooke et son équipe, l’enjeu est clair. L’objectif de leurs travaux est de concevoir des systèmes capables de traiter l’information plus efficacement en s’inspirant du cerveau humain, où mémoire et calcul sont étroitement imbriqués. En reproduisant cette organisation sur le plan matériel, la recherche ouvre la voie à des objets connectés plus intelligents, plus autonomes et nettement moins énergivores.
Pour relever ce défi, l’équipe a misé sur une approche de « calcul en mémoire » développée en collaboration avec Fabien Alibart, chercheur au CNRS en France et à l’Institut interdisciplinaire d’innovation technologique (3IT) de l’Université de Sherbrooke. Cette méthode consiste à effectuer les opérations directement dans les dispositifs de stockage, éliminant ainsi les transferts de données coûteux en énergie. Au cœur de cette innovation se trouvent les memristors, des composants électroniques qui agissent comme des synapses artificielles qui se « souviennent » du courant qui les ont traversées. Ces memristors miniatures de 100 nanomètres ont une grande stabilité et une forte endurance, et peuvent donc simuler l’apprentissage biologique avec une consommation d’énergie infime, de l’ordre de quelques femtojoules. Des prototypes expérimentaux ont validé la capacité à effectuer de l’inférence directement en mémoire, ainsi que la reproduction de mécanismes de plasticité synaptique qui dépendent du temps et de la fréquence des impulsions.
Ces avancées ouvrent la voie à des applications concrètes. Une puce électronique intégrant ces neurones artificiels a été conçue, permettant l’apprentissage directement sur le matériel – une rareté à l’échelle mondiale. Ces travaux ont également contribué à la création d’entreprises technologiques tel que AMT, spécialisée dans les équipements de caractérisation de ces systèmes, aujourd’hui commercialisés à l’international. Par ailleurs, des collaborations industrielles avec la société Irréversible exploitent déjà ces architectures pour développer des solutions innovantes en intelligence artificielle. À terme, ces innovations pourraient transformer de nombreux secteurs, en particulier là où les contraintes énergétiques sont critiques, comme l’Internet des objets, les systèmes autonomes et certaines applications biomédicales.
Références
El Mesoudy, A., Lamri, G., Dawant, R., Arias-Zapata, J., Gliech, P., Beilliard, Y., Ecoffey, S., Ruediger, A., Alibart, F., & Drouin, D. (2022). Fully CMOS-compatible passive TiO₂-based memristor crossbars for in-memory computing. Microelectronic Engineering, 255, 111706. https://doi.org/10.1016/j.mee.2021.111706
Amirsoleimani, A., Alibart, F., Yon, V., Xu, J., Pazhouhandeh, M. R., Ecoffey, S., Beilliard, Y., Genov, R., et Drouin, D. (2020). In-memory vector-matrix multiplication in monolithic complementary metal–oxide–semiconductor-memristor integrated circuits: Design choices, challenges, and perspectives. Advanced Intelligent Systems, 2(11), 2000115. https://doi.org/10.1002/aisy.202000115