INTELLIGENCE ARTIFICIELLE. L'apprentissage profond (deep learning) à partir de réseaux de neurones artificiels cristallise bien des espoirs : le champ ouvre depuis quelques années la voie à de nombreuses percées, y compris scientifiques. Ces réseaux neuronaux convolutifs souffrent cependant d'un inconvénient majeur : ils sont très coûteux en temps et en énergie, et doivent le plus souvent faire appel à des techniques d'apprentissage dites "supervisées", c'est-à-dire que les données à traiter doivent d'abord être classées par similarité. De quoi démultiplier la longueur du traitement, bien loin de l'optimum d'efficience atteint par nos systèmes biologiques... Un état de l'art qui pourrait bien radicalement changer suite à la découverte d'une équipe française (CNRS, Thales, Universités de Bordeaux, Paris-Sud et Evry) qui vient d'inventer une synapse artificielle, d'inspiration biologique, capable d'apprendre de façon autonome. Leur travail a été publié dans Nature Communications le 3 avril 2017.

SYNAPSE. Il s'agit de la zone de contact entre deux neurones, ou entre un neurone et une autre cellule. Elle permet la conversion d'un potentiel d'action dans le neurone amont (présynaptique) en un signal électrique dans la cellule aval (postsynaptique).

En a) illustration d'une synapse biologique reliant deux neurones. En b), la puce électronique conçue ("memristor"), qui possède des caractéristiques de plasticité grâce à sa fine couche ferroélectrique / Crédits : Garcia et al.

Imiter la plasticité synaptique biologique grâce à la ferroélectricité

La caractéristique synaptique que les chercheurs ont cherché à reproduire ? Son aptitude à pondérer sa réaction en fonction de la fréquence à laquelle elle est sollicitée, appelée "plasticité fonction du temps d'occurrence des impulsions" (en anglais, Spike timing dependent plasticity, ou STDP). Autrement dit, plus la synapse est stimulée, plus cette liaison se renforce et plus l’apprentissage s’améliore. "Le STDP évolue en fonction de la périodicité et de l'enchaînement des signaux électriques dans les neurones adjacents", expliquent les auteurs. "Ceci permet aux systèmes biologiques d'apprendre sans contrôle extérieur du poids affecté à chaque synapse."

MEMRISTOR. Afin d'implémenter cette plasticité dans un système électronique (appelé "memristor", composant électronique qui a longtemps existé sous une forme uniquement hypothétique avant de connaître sa première réalisation en 2008), les chercheurs ont tiré parti du comportement ferroélectrique de certains conducteurs. Grâce à une fine couche ferroélectrique de ferrite de bismuth prise en sandwich entre deux électrodes, le memristor peut ajuster sa résistance sous l’action d’impulsions électriques similaires à celles des neurones. Le phénomène, appelé cycle d'hystérésis, permet de faire varier la résistance du matériau en fonction de la tension appliquée, selon une relation non linéaire mais prédictible. Si la résistance est faible, la liaison synaptique est forte, si la résistance est forte, la liaison est faible.

Cycle d'hystérésis du matériau ferroélectrique utilisé / Crédits : Garcia et al.

De l'IA faible à l'IA forte ?

L'intérêt du système est surtout dans la prédictibilité de la plasticité (et donc de l'apprentissage) en fonction des signaux appliqués, qui a permis une modélisation très précise de son fonctionnement physique. "Nos simulations montrent que de telles nanosynapses peuvent reconnaître des formes de façon autonome", s'enthousiasment les auteurs."La plasticité STDP est une fonction de base pour l'apprentissage autonome non supervisé", ajoutent-ils aussi. "Son implémentation dans les réseaux neuronaux pourrait représenter une étape cruciale avant de concevoir des systèmes électroniques auto-adaptatifs". Une percée qui pourrait représenter un véritable bond technologique, d'une IA dite "faible" (dont les phases d'apprentissage doivent être soigneusement supervisées) vers une IA dite "forte", dont les fondations s'approcheraient de celles de notre propre intelligence biologique.

APPLICATIONS. Cette percée théorique demande désormais à être transformée en applications concrètes. C'est l'objet du projet européen ULPEC H2020, qui va utiliser ces synapses artificielles dans les algorithmes de vision artificielle d'une caméra intelligente, qui ne traitera les données perçues que si un objet est détecté dans son champ de vision. Une fonctionnalité qui n'a rien de trivial, et qui devrait permettre d'économiser du temps de calcul en ne traitant que l'information pertinente.