L’intelligence artificielle (IA) se répand comme une traînée de poudre dans la société actuelle. Amélioration des analyses scientifiques et des techniques d’imagerie, maintenance prédictive, surveillance des environnements industriels, sans oublier l’agent conversationnel vedette, j’ai nommé ChatGPT ; l’IA s’installe déjà dans de nombreux aspects de la société et ses capacités ne sont limitées que par le matériel et la puissance de calcul disponibles pour alimenter les algorithmes logiciels.

La nanotechnologie – domaine qui comprend tant les nanomatériaux eux-mêmes que les méthodes de nanofabrication ou de nanomodélisation – participe déjà à la miniaturisation des composants informatiques, à rendre les composants électroniques plus efficaces et à améliorer le potentiel énergétique global des technologies informatiques (la miniaturisation permettant d’installer davantage de composants sur une même surface).

Il est en effet indispensable que le matériel sur lequel reposent les technologies de l’IA soit au diapason de la demande croissante concernant ces technologies à travers tous les aspects de la société. À cet effet, la nanotechnologie influence déjà positivement le secteur informatique dans tous ses aspects jusqu’au matériel utilisé pour alimenter et assurer le bon fonctionnement des algorithmes d’IA.

Les memristors

Dernièrement, les nanomatériaux ont permis de réaliser des avancées notables dans le domaine des memristors (ou memrésistances). De nombreuses recherches sont menées sur l’utilisation de dispositifs memrésistifs s’appuyant sur la nanotechnologie pour de multiples applications. Un memristor est un dispositif dipolaire présentant une architecture de type métal-isolant-métal (MIM) et comparable à un commutateur de résistance capable de conserver un état de résistance/conductance interne sur la base de l’historique de la tension et du courant appliqués à travers le dispositif. La plupart des memristors étudiés aujourd’hui utilisent des canaux nanométriques.

Les matériaux en couche mince de taille nanométrique qui les composent confèrent aux memristors des propriétés physiques uniques qui offrent la possibilité d’effectuer des commutations rapides et à faible consommation d’énergie et de surveiller la conductance tout en présentant un fort potentiel d’évolution. Plusieurs types de memristors sont d’ores et déjà utilisables dans la pratique. Il s’agit des memristors à dérive, des memristors à diffusion et des mémoires à changement de phase (PCM), la distinction étant faite sur la base des matériaux de commutation utilisés et de la dynamique de commutation du dispositif. Les PCM se distinguent en outre par leur structure légèrement différente. Les couches métalliques y sont en effet séparées par une couche à changement de phase et une couche isolante au lieu d’une simple couche isolante. Par ailleurs, les PCM font partie des technologies memrésistives les plus matures.

Les memristors ont deux modes de fonctionnement : un mode lecture et un mode écriture. En mode lecture, la conductance est détectée sans perturbation, tandis qu’en mode écriture, la conductance est programmée dans le dispositif en y appliquant une tension supérieure à son seuil. Ces tensions de lecture/écriture sont codées sous la forme de trains d’impulsions. Les PCM présentent également un fonctionnement légèrement différent des memristors en ce sens qu’ils utilisent les transitions de phase du matériau pour modifier la résistivité à travers le dispositif. Le matériau passe alors d’un matériau cristallin dans un état de faible résistivité à un matériau amorphe dans un état de résistivité élevée.

Des memristors à base de nanomatériaux et des PCM sont déjà utilisés dans un certain nombre de domaines afin d’améliorer le matériel spécifique à l’IA. Des memristors et des réseaux crossbar à changement de phase ont été utilisés pour des moteurs d’inférence à signaux mixtes et dans des accélérateurs de convolution basés sur des dispositifs spintroniques pour des applications de réseau neuronal convolutif (CNN). L’utilisation de memristors dans des mémoires pour apprentissage en profondeur (deep learning), notamment des accélérateurs à signaux mixtes pour les algorithmes d’apprentissage en profondeur, ainsi que dans des opérations de stockage de données et de traitement analogique fait actuellement l’objet de tests.

On étudie également la possibilité d’utiliser des memristors pour le stockage et le traitement de données dans les architectures de traitement en mémoire (PIM) afin d’élargir le champ d’application des réseaux neuronaux. Une telle approche pourrait offrir la possibilité d’utiliser une interface logicielle/matérielle grâce à laquelle les développeurs pourraient produire du code de réseau neuronal à exécuter sur l’accélérateur. Récemment, il a été envisagé de créer des puces de calcul en mémoire (CIM) à memristors nanométriques. Ces puces pourraient contribuer à réaliser un modèle de réseau neuronal beaucoup plus grand en réduisant la latence et en améliorant la précision des réseaux neuronaux.

Dispositifs magnétoélectriques

Les dispositifs magnétoélectriques forment l’autre grand groupe de périphériques matériels à nanomatériaux susceptibles d’améliorer la précision et l’efficacité des algorithmes d’IA. Ils sont composés de couches empilées de matériaux magnétiques et d’isolants et fonctionnent en utilisant l’alignement de la polarisation du spin électronique dans les couches métalliques. Si les polarisations sont alignées, le dispositif présente une résistance plus faible. Tout degré de résistance supérieur est fonction des degrés de désalignement dans la polarisation. Ces dispositifs sont programmés soit par une tension appliquée, soit par des courants de spin-orbite ; cela dépend du nombre de bornes dans le dispositif.

De tous les dispositifs électromagnétiques, les jonctions tunnel magnétiques (MTJ) sont les plus prometteuses pour le matériel spécifique à l’IA. Bien que les MTJ soient plutôt à considérer comme une famille de dispositifs, la plupart d'entre elles sont constituées de la même manière, à savoir deux couches de matériau magnétique séparées par une couche isolante, avec l’une des couches magnétiques qui agit comme un aimant permanent sur un certain axe, tandis que le magnétisme de l’autre couche a été modifié en vue de fournir des valeurs de résistance différentes à travers le dispositif. Un dispositif MTJ peut être de nature volatile ou non volatile, mais leur non-volatilité constitue un avantage pour une utilisation des MTJ dans des applications d’IA améliorées par les nanotechnologies. En outre, la faible consommation d’énergie et les temps de commutation inférieurs à la nanoseconde favorisent eux aussi l’utilisation des MTJ dans les architectures de matériel spécifique à l’IA.

Dans un certain nombre de domaines, les MTJ sont à l’étude en vue d’être utilisées dans des applications d’IA. L’un d’entre eux est celui des modèles probabilistes comme les machines de Boltzmann restreintes (RBM) et les réseaux de croyances profondes (DBN). L’architecture du matériel utilisé pour ces modèles est constituée de structures couche par couche pour les opérations de multiplication-accumulation des réseaux de neurones mis à contribution. La mise en œuvre de nanomatériaux dans ces architectures fait appel à une architecture crossbar, tandis que le matériel utilisé dans ces modèles s’appuie sur des MTJ et des memristors. La conception architecturale du matériel présente des similitudes avec les architectures exclusivement CMOS. La différence réside dans l’utilisation de crossbars de MTJ pour les opérations de multiplication-accumulation.

Enfin, les MTJ sont aussi étudiées et utilisées dans le domaine des architectures pour modèles graphiques probabilistes (PGM). Les cellules de calcul contiennent à la fois des circuits de calcul et du stockage de mémoire, qui se présentent sous la forme de tables de probabilité conditionnelle (CPT). C’est dans ces CPT que la non-volatilité des MTJ fournit un réseau neuronal entièrement connecté et une faible consommation d’énergie qui évite toute latence lors de l’accès à la mémoire. Dans certaines de ces architectures, les MTJ assument à la fois le rôle de circuits de stockage de mémoire et de circuits de calcul.

Conclusion

L’intelligence artificielle monte en puissance dans plusieurs aspects de notre société. Les nanomatériaux et les architectures nanométriques sont en cours de test dans toute une série de composants (memristors, dispositifs basés sur des matériaux à changement de phase et jonctions tunnel magnétiques) susceptibles d’apporter de grandes améliorations aux réseaux neuronaux et aux algorithmes d’apprentissage en profondeur. Les nanomatériaux ont déjà contribué de manière importante à l’amélioration et à la miniaturisation du matériel informatique. Il se pourrait donc bien que l’un des prochains domaines de l’informatique qui bénéficiera d’améliorations significatives apportées par les nanomatériaux soit le matériel spécifique à l’IA.