Eclairer les réseaux de neurones artificiels avec des optomemristors

réseau neuronal

Crédit : Pixabay/CC0 Domaine public

Une équipe de scientifiques internationaux a effectué des calculs d’apprentissage automatique difficiles à l’aide d’un dispositif à l’échelle nanométrique, appelé “optomemristor”.

Le dispositif à couche mince de chalcogénure utilise à la fois des signaux lumineux et électriques pour interagir et imiter les calculs biologiques multifactoriels du cerveau des mammifères tout en consommant très peu d’énergie.

À ce jour, la recherche sur le matériel pour les applications d’intelligence artificielle et d’apprentissage automatique s’est concentrée principalement sur le développement de synapses et de neurones électroniques ou photoniques, et sur leur combinaison pour réaliser des formes de base de traitement de type neuronal.

Cependant, les puissants mécanismes de traitement qui existent dans les cerveaux réels, tels que l’apprentissage par renforcement et le calcul dendritique, et qui nous aident à acquérir de nouvelles compétences et à effectuer des tâches quotidiennes, sont plus difficiles à mettre en œuvre directement dans le matériel.

Ce nouvel ouvrage, en Communication Naturecontribue à combler ce “fossé matériel” manquant via le développement d’un dispositif “optomemristor” qui répond simultanément à plusieurs entrées électroniques et photoniques.

L’apprentissage et le traitement complexes sont rendus possibles dans le cerveau des mammifères par les riches mécanismes biophysiques qui régissent les fonctionnalités des neurones et des synapses du cerveau.

Un aspect clé est le calcul multifactoriel, tel que l’apprentissage à trois facteurs, qui permet au cerveau d’apprendre efficacement en utilisant des renforcements positifs et négatifs, par exemple lors de la pratique d’un sport ou de la navigation dans un labyrinthe. L’approche optomemristor facilite un tel apprentissage à trois facteurs, dans un seul appareil.

Le Dr Syed Ghazi Sarwat a réalisé les expériences d’optomemristor en tant qu’étudiant en doctorat à l’Université d’Oxford et est actuellement chez IBM Research Europe, où il s’est associé à son collègue le Dr Timoleon Moraitis pour appliquer les dispositifs à la résolution de labyrinthes. Le Dr Sarwat dit que leur “recherche montre une approche matérielle pratique pour imiter efficacement l’apprentissage par renforcement, une forme d’apprentissage automatique que nous utilisons dans l’article pour permettre à un rongeur artificiel d’apprendre à naviguer dans un labyrinthe”.

Le professeur Harish Bhaskaran, qui a dirigé l’étude au Département des matériaux de l’Université d’Oxford, ajoute qu’ils “démontrent comment les opérations neuronales basées sur l’interaction de plusieurs signaux peuvent être effectuées à l’aide d’un matériel relativement simple. Ceci est illustré dans notre démonstration de un problème de classification linéairement non séparable (XOR) qui nécessite plusieurs couches de neurones artificiels conventionnels pour sa solution, contrairement au cerveau qui utilise un seul neurone biologique.”

« En effet, en imitant la fonction dite « d’inhibition de shunt » des dendrites des neurones biologiques, nous illustrons comment notre optomemristor peut fournir efficacement une solution à un seul neurone pour des problèmes de calcul difficiles », a poursuivi le Dr Moraitis.

Les démonstrations en sont à un stade précoce de preuve de concept et semblent prometteuses pour relever certains défis importants de l’apprentissage automatique. Certains problèmes clés se posent lors de l’examen de la mise à l’échelle de ces concepts et de leur intégration aux côtés d’autres blocs matériels. L’équipe n’en est pas moins enthousiaste. “Tous les nouveaux concepts comportent des risques importants, mais c’est une nouvelle façon de penser les calculs dits multifactoriels, et c’est passionnant”, déclare le professeur David Wright de l’Université d’Exeter.


Des unités neuronales évolutives qui peuvent imiter la plasticité synaptique du cerveau


Plus d’information:
Syed Ghazi Sarwat et al, optomemristors chalcogénures pour le calcul neuromorphique multifactoriel, Communication Nature (2022). DOI : 10.1038/s41467-022-29870-9

Fourni par l’Université d’Exeter

Citation: Lighting up artificial neural networks with optomemristors (2022, 27 avril) récupéré le 27 avril 2022 sur https://techxplore.com/news/2022-04-artificial-neural-networks-optomemristors.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.