Des chercheurs ont créé des neurones artificiels atomiquement minces capables de traiter à la fois des signaux lumineux et électriques pour le calcul. Le matériau permet l'existence simultanée de voies d'anticipation et de rétroaction séparées au sein d'un réseau neuronal, renforçant ainsi la capacité à résoudre des problèmes complexes.

Pendant des décennies, les scientifiques ont étudié comment recréer les capacités de calcul polyvalentes des neurones biologiques pour développer des systèmes d'apprentissage automatique plus rapides et plus économes en énergie. Une approche prometteuse implique l'utilisation de memristors : des composants électroniques capables de stocker une valeur en modifiant leur conductance, puis d'utiliser cette valeur pour le traitement en mémoire.

Cependant, un défi majeur pour reproduire les processus complexes des neurones biologiques et des cerveaux à l'aide de memristors a été la difficulté d'intégrer à la fois les signaux neuronaux d'anticipation et de rétroaction. Ces mécanismes sous-tendent notre capacité cognitive à apprendre des tâches complexes, en utilisant des récompenses et des erreurs.

Une équipe de chercheurs de l'Université d'Oxford, d'IBM Research Europe et de l'Université du Texas, a annoncé un exploit important : le développement de neurones artificiels atomiquement minces créés en empilant des matériaux bidimensionnels (2D). Les résultats ont été publiés dans Nanotechnologie de la nature.

Dans l'étude, les chercheurs ont élargi la fonctionnalité des memristors électroniques en les rendant sensibles aux signaux optiques et électriques. Cela a permis l'existence simultanée de voies d'anticipation et de rétroaction séparées au sein du réseau. Cette avancée a permis à l'équipe de créer des réseaux de neurones gagnant-gagnant : des programmes d'apprentissage informatique avec le potentiel de résoudre des problèmes complexes d'apprentissage automatique, tels que l'apprentissage non supervisé dans les problèmes de clustering et d'optimisation combinatoire.

Les matériaux 2D ne sont constitués que de quelques couches d'atomes, et cette échelle fine leur confère diverses propriétés exotiques, qui peuvent être affinées en fonction de la manière dont les matériaux sont superposés. Dans cette étude, les chercheurs ont utilisé un empilement de trois matériaux 2D - graphène, bisulfure de molybdène et bisulfure de tungstène - pour créer un dispositif qui montre un changement de sa conductance en fonction de la puissance et de la durée de la lumière/électricité qui y est projetée.

Contrairement aux dispositifs de stockage numériques, ces dispositifs sont analogiques et fonctionnent de la même manière que les synapses et les neurones de notre cerveau biologique. La fonction analogique permet des calculs, où une séquence de signaux électriques ou optiques envoyés à l'appareil produit des changements progressifs dans la quantité de charge électronique stockée. Ce processus forme la base des modes de seuil pour les calculs neuronaux, analogues à la façon dont notre cerveau traite une combinaison de signaux excitateurs et inhibiteurs.

L'auteur principal, le Dr Ghazi Sarwat Syed, membre du personnel de recherche d'IBM Research Europe Suisse, a déclaré : « Il s'agit d'un développement très excitant. Notre étude a introduit un nouveau concept qui surpasse l'opération d'anticipation fixe généralement utilisée dans les réseaux de neurones artificiels actuels. les applications potentielles dans le matériel d'IA, ces résultats actuels de preuve de principe démontrent une avancée scientifique importante dans les domaines plus larges de l'ingénierie neuromorphique et des algorithmes, nous permettant de mieux imiter et comprendre le cerveau.

Le Dr Syed et le Dr Yingqiu Zhou (qui étaient étudiants en doctorat et collègues de laboratoire à Oxford) ont mené le travail expérimental. Selon le Dr Zhou, maintenant chercheur postdoctoral à l'Université technique du Danemark, leur mise en œuvre capture les composants essentiels d'un neurone biologique grâce à la physique optoélectronique des systèmes de basse dimension.

Ils notent que nous avons créé des jonctions semi-conductrices atomiquement abruptes grâce à la conception de notre empilement d'hétérostructures. La pile délivre spécifiquement une hétérojonction qui agit comme la membrane neuronale, tandis que les électrodes de graphène qui entrent en contact avec l'hétérojonction servent de soma neuronal. De cette façon, l'état neuronal est représenté dans le soma, mais modifié par les changements de la membrane, tout comme dans les neurones réels.

Alors que les progrès des applications d'intelligence artificielle ont connu une croissance exponentielle, la puissance de calcul requise a dépassé le développement de nouveaux matériels basés sur des processeurs traditionnels. Il est urgent de rechercher de nouvelles techniques, y compris les travaux du co-auteur principal, le professeur Harish Bhaskaran du Advanced Nanoscale Engineering Laboratory de l'Université d'Oxford et du laboratoire IBM Research de Zurich.

Le professeur Bhaskaran a déclaré : « Tout ce domaine est super excitant, car les innovations en matière de matériaux, les innovations en matière d'appareils et les nouvelles idées sur la façon dont ils peuvent être appliqués de manière créative doivent tous être réunis. Ce travail représente une nouvelle boîte à outils, explorant la puissance des matériaux 2D, pas dans les transistors, mais pour de nouveaux paradigmes informatiques."

Le co-auteur, le professeur Jamie Warner, de l'Université du Texas à Austin, a déclaré : "L'utilisation de telles structures 2D en informatique fait l'objet de discussions depuis des années, mais ce n'est que maintenant que nous voyons enfin les bénéfices après avoir passé plus de sept ans en développement. En assemblant monocouches 2D à l'échelle d'une plaquette dans des dispositifs optoélectroniques ultrafins complexes, cela permettra le démarrage de nouvelles approches de traitement de l'information utilisant des matériaux 2D basés sur des méthodes de fabrication évolutives à l'échelle industrielle.

"Nos découvertes sont plus de nature exploratoire que de démonstrations réelles au niveau du système", explique le Dr Syed. « Bien que nous ayons pour objectif de développer ce concept à l'avenir, nous sommes convaincus que nos résultats actuels de preuve de principe démontrent un intérêt scientifique important dans les domaines plus larges de l'ingénierie neuromorphique, nous permettant de mieux imiter et comprendre le cerveau.

Le professeur Bhaskaran souligne que des développements de recherche passionnants sont importants pour l'innovation future, mais ce n'est pas une technologie à laquelle on devrait s'attendre dans leurs téléphones mobiles au cours des deux prochaines années.