Intelligence artificielle
Comment les memristors rendent l’IA plus semblable à l’humain
Ajouter Securities.io à vos sources préférées sur Google
L’essor du matériel d’IA neuromorphique, semblable au cerveau
À mesure que l’IA devient le centre de l’industrie technologique, un problème croissant apparaît : l’énorme demande en puissance de calcul et en énergie lorsque l’IA s’exécute sur des CPU et des GPU.
Les chercheurs travaillent donc activement sur les unités de traitement neuronal (NPU), aussi appelées puces neuromorphiques, un type de matériel d’IA qui imite les neurones du cerveau.
« Ce n’est pas que nos puces ou nos ordinateurs ne soient pas assez puissants pour ce qu’ils font. C’est qu’ils ne sont pas assez efficaces. Ils consomment trop d’énergie. »
Le passage au matériel inspiré du cerveau pourrait transformer notre approche de l’intelligence artificielle. Les conceptions neuromorphiques offrent trois avantages majeurs par rapport aux puces conventionnelles:
- Architecture adaptative : des circuits capables de se reconfigurer en fonction des données d’entraînement.
- Efficacité énergétique radicale : dans certains cas, seulement 1/100 de la consommation d’un GPU.
- Moins de chaleur dégagée : réduction des coûteux besoins de refroidissement des centres de données d’IA actuels.
(Vous pouvez en savoir plus sur le matériel spécialisé IA, y compris les NPU, dans notre rapport dédié sur le sujet.)
« Pouvoir développer des micropuces qui imitent l’activité neuronale réelle signifie qu’elles nécessitent très peu d’énergie en veille ou lorsque la machine n’est pas utilisée.
Cela peut représenter un avantage considérable sur les plans informatique et économique. »
John LaRocco — chercheur en psychiatrie au College of Medicine de l’Ohio State University
Les chercheurs testent plusieurs méthodes prometteuses pour créer des puces neuromorphiques. Une approche consiste à exploiter la ferroélectricité naissante, phénomène encore mal compris qui pourrait permettre à certains matériaux d’inverser spontanément leur polarisation électrique dans les bonnes conditions. Une autre se concentre sur des substrats actifs à base de vanadium ou de titane, dont les propriétés électriques peuvent évoluer dynamiquement pour reproduire une signalisation comparable à celle du cerveau.
La voie la plus discutée est peut-être l’utilisation de memristors, une classe révolutionnaire de composants électroniques capables de stocker des informations grâce à des variations de résistance. Ces dispositifs peuvent effectuer des tâches d’IA avec seulement 1/800 de la consommation habituelle, ce qui en fait l’une des solutions les plus économes en énergie actuellement développées.
Comment les memristors imitent les synapses
Glissez pour faire défiler →
| Fonctionnalité | CPU | GPU | NPU / Puce Memristor |
|---|---|---|---|
| Architecture | Séquentielle, usage général | Parallèle, axée sur les matrices | Inspirée du cerveau, adaptative |
| Consommation d’énergie | Élevée | Modérée à élevée | Extrêmement faible (1/100–1/800 de la puissance) |
| Efficacité d’apprentissage | Lente, mémoire externe | Entraînement rapide, mémoire externe | En mémoire, auto-adaptative |
| Meilleur cas d’utilisation | Calcul général | Entraînement de modèles IA | IA en périphérie, robotique, IA à faible consommation |
Cela peut réduire considérablement l’énergie et le temps perdus à transférer sans cesse les données entre les processeurs et la mémoire.
L’un des principaux atouts des memristors est leur capacité d’apprentissage in situ efficace et auto-adaptatif, essentielle aux applications de robotique et de véhicules autonomes.
Leur faible consommation est également particulièrement avantageuse dans ces domaines, où l’efficacité énergétique est primordiale.
De nombreuses pistes sont explorées pour concevoir les meilleurs memristors, depuis les relativement classiques memristors à oxyde de titane jusqu’à l’utilisation de véritables neurones humains (organoïdes), voire de champignons.
L’idée d’utiliser de la matière organique, y compris de véritables neurones, pour imiter l’activité neuronale est cohérente en théorie. En pratique, connecter un tel « ordinateur » aux systèmes informatiques traditionnels peut cependant être difficile.
« Nos systèmes informatiques existants n’ont jamais été conçus pour traiter d’immenses volumes de données ni pour apprendre seuls à partir de quelques exemples.
Une manière d’améliorer à la fois l’efficacité énergétique et celle de l’apprentissage consiste à construire des systèmes artificiels fonctionnant selon des principes observés dans le cerveau. »
Ce manque d’efficacité est saisissant par rapport au cerveau humain. Un jeune enfant peut apprendre à reconnaître des chiffres manuscrits après seulement quelques exemples, tandis qu’un ordinateur en nécessite généralement des milliers pour accomplir la même tâche.
Et le cerveau humain réussit cet exploit avec environ 20 W, alors que les centres de données d’IA les plus récents visent une puissance de l’ordre du gigawatt, soit presque cent millions de fois plus.
Une nouvelle solution intermédiaire pourrait consister à créer des puces artificielles reproduisant le principe de base des neurones. C’est la voie suivie par des chercheurs de l’Université de Californie du Sud, de l’Université de Californie, de l’Université du Massachusetts, de l’Université de Syracuse, de l’Air Force Research Laboratory et du centre NASA Ames.
Ils ont publié leurs résultats dans Nature Electronics1, sous le titre « Un neurone artificiel à pointes fondé sur un memristor diffusif, un transistor et une résistance ».
Reproduire le déclenchement des neurones à l’aide de memristors diffusifs
Comment les neurones fonctionnent-ils ?
Les neurones interagissent entre eux et traitent finalement l’information au moyen de signaux électriques et chimiques.
Si un signal est suffisamment puissant, il déclenche une impulsion électrique appelée potentiel d’action en permettant à des ions sodium chargés positivement d’entrer massivement dans la cellule.
Source : Nature Electronics
Lorsque ce signal électrique est reçu, il provoque la libération de neurotransmetteurs.
Jusqu’à présent, les memristors électroniques et les circuits métal-oxyde-semi-conducteur complémentaires (CMOS) utilisaient des signaux électriques pour simuler ce fonctionnement, ce qui nécessitait des centaines de transistors pour reproduire un neurone.
Les chercheurs ont plutôt développé un dispositif appelé « memristor diffusif », qui utilise lui aussi de véritables interactions chimiques pour déclencher des processus de calcul.
Qu’est-ce que les memristors diffusifs et comment fonctionnent-ils ?
Alors que les systèmes traditionnels au silicium reposent sur les électrons pour effectuer les calculs, les memristors diffusifs utilisent le mouvement des atomes. Des ions argent intégrés à des matériaux d’oxyde produisent des impulsions électriques qui imitent les fonctions naturelles du cerveau.
Source : Nature Electronics
Ce dispositif ne reproduit évidemment pas exactement le fonctionnement d’un neurone, mais le principe est très similaire.
« Même si nos synapses et neurones artificiels n’emploient pas exactement les mêmes ions, la physique qui régit leur mouvement et leur dynamique est très similaire. »
Cette ressemblance tient notamment au fait que les ions argent diffusent facilement dans ce système de memristor, comme les ions sodium peuvent se déplacer dans les cellules organiques.
Outre l’argent, le memristor utilise du palladium, du silicium, du titane et du hafnium. Les chercheurs ont pu observer en temps réel la diffusion de l’argent en réponse à une stimulation électrique.
Glissez pour faire défiler →
| Couche / Matériau | Rôle dans le dispositif | Pourquoi c’est important |
|---|---|---|
| Ions argent (Ag) | Espèce mobile pour les pointes | Se diffuse facilement, permettant des impulsions ioniques similaires aux décharges neuronales |
| Matrice d’oxyde (ex. HfO2) | Hôte ionique / milieu de commutation | Contrôle le mouvement des ions et la formation de filaments pour les états memristifs |
| Palladium (Pd) | Électrode / interface catalytique | Contact stable et chimie d’interface favorable |
| Titane (Ti) | Couche d’adhérence/barrière | Améliore la stabilité de l’électrode et l’intégrité de la pile |
| Silicium (Si) | Substrat / intégration CMOS | Permet l’intégration verticale dans l’empreinte d’un transistor |
L’avenir : puces neuromorphiques et IA à faible consommation d’énergie
Un avantage majeur de ce nouveau type de memristor est qu’il tient dans l’empreinte d’un seul transistor, alors que les anciennes conceptions en nécessitaient des dizaines, voire des centaines.
Le premier essai n’utilisait qu’une poignée de memristors diffusifs, mais il a démontré qu’ils pouvaient servir à construire le réseau neuronal multiniveau typique employé par presque tous les systèmes d’IA actuels.
Source : Nature Electronics
La prochaine étape consistera à assembler beaucoup plus de ces systèmes afin d’évaluer leur efficacité réelle dans l’exécution de tâches d’IA.
« Nous concevons les briques élémentaires qui nous permettront à terme de réduire la taille des puces de plusieurs ordres de grandeur, ainsi que leur consommation d’énergie.
Il deviendra ainsi possible d’exécuter durablement l’IA à l’avenir, avec un niveau d’intelligence comparable sans brûler une quantité d’énergie insoutenable. »
Déterminer si d’autres ions peuvent être employés serait également utile, car les ions argent sont peu courants dans la fabrication des semi-conducteurs, ce qui pourrait ralentir l’adoption industrielle de cette architecture.
Les memristors diffusifs pourraient aussi aider à mieux comprendre le fonctionnement des cerveaux biologiques.
À long terme, ils seront probablement particulièrement utiles pour l’« informatique en périphérie », où le calcul s’effectue directement sur place — par exemple lorsqu’un robot ou une voiture autonome doit prendre une décision sans connexion à un centre de données d’IA.
Investir dans les fabricants de puces neuromorphiques
Intel
Intel (INTC ) est un géant des semi-conducteurs. Au fil des années, l’un des fondateurs de l’industrie est devenu un chef de file scientifique et de l’innovation, tout en cédant la première place en volume de fabrication à des entreprises comme le taïwanais TSMC.
Intel figure parmi les leaders de l’informatique neuromorphique, notamment grâce à sa puce Loihi 2.
L’entreprise a également créé l’Intel Neuromorphic Research Community, qui réunit l’Université d’État de Pennsylvanie — impliquée dans la recherche sur le dioxyde de vanadium — ainsi que plus de 75 autres groupes étudiant de nombreuses architectures neuromorphiques potentielles.
INTC Graphique du prix
Intel travaille aussi activement à reproduire les sens biologiques en imitant le fonctionnement du cerveau, une branche de l’informatique neuromorphique que nous avons approfondie dans « Puces olfactives biomimétiques : l’intelligence artificielle et les nez électroniques sont-ils le prochain canari dans la mine de charbon ? ».
Dans l’ensemble, les travaux d’Intel Labs sont à la pointe de l’innovation dans les semi-conducteurs, notamment en IA, informatique quantique et informatique neuromorphique. Nous avons abordé les avancées quantiques d’Intel dans « L’état actuel de l’informatique quantique ».
Vous pouvez également découvrir les activités actuelles d’Intel et ses programmes de R&D dans notre rapport d’investissement dédié.
Dernières actualités et développements de l’action Intel (INTC)
Étude référencée
1. Zhao, R., Wang, T., Moon, T. et al. Un neurone artificiel à pointes basé sur un memristor diffusif, un transistor, et une résistance. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x
