Informatique neuromorphique : qui la développe ?

En 2023, un prototype de puce capable de consommer mille fois moins d’énergie qu’un microprocesseur traditionnel a été présenté lors d’un congrès scientifique majeur. Ce résultat n’est pas le fruit d’un laboratoire isolé : il fait suite à une compétition acharnée entre géants industriels, universités et start-ups, tous engagés dans une même course.

Des consortiums européens à des projets confidentiels lancés par les acteurs du secteur de la défense, les alliances se multiplient, souvent entre rivaux historiques. La discrétion règne sur les avancées concrètes, mais les annonces pleuvent, portées par une promesse de rupture technologique que personne ne semble vouloir manquer.

A lire également : Optimisation financière d'entreprise : les atouts de Microsoft Dynamics 365 Finance

Quand l’informatique s’inspire du cerveau : comprendre le concept neuromorphique

L’informatique neuromorphique ne se contente pas de copier le cerveau humain : elle en adopte les principes fondamentaux, jusqu’à la façon dont neurones et synapses interagissent et s’adaptent. L’objectif ? Créer des circuits capables d’apprendre et de s’ajuster d’eux-mêmes, comme le fait en permanence notre système nerveux.

Les premiers systèmes marquants, appelés réseaux neuronaux à pointes (SNN), ne transmettent plus l’information par de simples signaux continus, mais par des impulsions brèves. À chaque échange, ils cherchent à consommer le strict minimum de ressources et favorisent la rapidité, en rupture avec la lourdeur énergétique des réseaux de neurones artificiels traditionnels.

A lire en complément : Prix du dernier MacBook : caractéristiques et tarifs détaillés

Au cœur de cette nouvelle approche : la plasticité synaptique. Dans le cerveau, c’est ce mécanisme qui permet aux connexions de se renforcer ou de s’affaiblir selon l’expérience vécue. Les puces neuromorphiques s’en inspirent : elles réévaluent en temps réel la force de leurs connexions, évoluant de façon autonome dès qu’elles rencontrent une nouvelle donnée ou un contexte inédit. Résultat : des machines capables d’apprendre sans supervision constante, qui se reconfigurent et progressent sans cesse.

Voici les caractéristiques structurantes de cette technologie :

• Modélisation du cerveau : restitution fidèle de la dynamique neuronale, pour s’approcher du fonctionnement naturel.
• Synapse artificielle : capacité à moduler la puissance du signal d’un neurone à l’autre, sans intervention humaine.
• Réseaux neuronaux à pointes : échanges ultra-efficaces grâce à des impulsions électriques brèves, qui limitent la consommation tout en maximisant la réactivité.

Ce nouvel élan, dicté par l’inspiration biologique, redéfinit les contours de l’informatique. Désormais, la rapidité, la capacité d’adaptation et la sobriété énergétique ne sont plus des compromis, mais des atouts majeurs pour relever les défis des prochaines décennies.

Qu’est-ce qui différencie vraiment l’informatique neuromorphique des approches classiques ?

À première vue, ces deux approches poursuivent un même but : traiter et analyser l’information. Pourtant, elles se distinguent radicalement. Les architectures classiques reposent sur le modèle von Neumann, séparant strictement la mémoire du processeur. Chaque donnée fait la navette entre ces deux pôles, saturant les bus, générant des temps d’attente et une consommation d’énergie qui s’envole. Même les systèmes multiprocesseurs n’échappent pas à ce goulot d’étranglement qui bride le traitement parallèle.

À l’opposé, une puce neuromorphique fusionne mémoire et calcul au sein d’un même espace, comme dans le cerveau. Les unités de calcul, les neurones artificiels, communiquent par impulsions, souvent de façon asynchrone, et le traitement s’effectue en parallèle à une échelle inédite. Ce modèle réduit considérablement la latence et la dépense énergétique, tout en décuplant l’efficacité.

Pour bien cerner les différences, voici les grands points qui distinguent l’informatique neuromorphique :

• Traitement massivement parallèle : chaque neurone artificiel gère un fragment de la tâche en même temps que les autres, ce qui accélère l’ensemble du processus.
• Apprentissage incrémental : la machine ajuste ses connexions à la volée, sans passer par des remises à zéro complètes.
• Adaptabilité : le système se modifie lui-même au contact de nouvelles situations ou données, quand les modèles classiques exigent une nouvelle phase d’apprentissage spécifique.

Grâce à la plasticité synaptique, ces dispositifs franchissent un cap : ils apprennent en continu, sans rupture, et dépassent parfois les performances des CPU ou GPU pour certaines tâches d’intelligence artificielle, tout en restant sobres en énergie. Hériter du vivant n’a rien d’un simple clin d’œil : cela change la donne pour tous les usages où rapidité et économie d’énergie sont indissociables.

Des promesses concrètes : efficacité énergétique et nouvelles performances à la clé

L’informatique neuromorphique s’impose comme une réponse attendue à l’appétit énergétique des technologies avancées. Là où il fallait des serveurs entiers pour entraîner un modèle, une puce inspirée du cerveau humain ajuste ses connexions en continu, sans gaspiller la moindre ressource. Pour de nombreuses applications, analyse en temps réel, prise de décision embarquée, les puces neuromorphiques divisent la consommation d’énergie par des centaines ou des milliers, tout en garantissant une réactivité inédite.

Les domaines d’application se diversifient rapidement. En robotique, ces circuits permettent à la machine de percevoir, de comprendre et d’agir dans des environnements imprévisibles, tout en maintenant leur autonomie. Les véhicules autonomes deviennent capables de traiter instantanément des signaux complexes, sans sacrifier la batterie. Dans le secteur de la santé, l’apprentissage à partir de faibles volumes de données permet d’imaginer des dispositifs médicaux qui s’ajustent à chaque utilisateur.

Quelques usages phares se détachent :

• Edge computing : traitement local des données, sans dépendre du cloud, ce qui réduit la consommation et améliore l’autonomie des objets connectés.
• Centres de données : baisse de l’empreinte carbone et des besoins en refroidissement grâce à des architectures plus sobres.

En combinant résolution de problèmes complexes et apprentissage automatique sur des volumes de données modestes, ces systèmes dessinent de nouvelles perspectives pour l’Internet des objets et l’optimisation industrielle. Alors que le déluge de données ne cesse de croître, ils proposent un modèle qui tient la route, capable de s’adapter et de progresser sans céder sur la performance.

Qui sont les acteurs majeurs et les projets innovants dans le domaine ?

Autour de cette révolution silencieuse, un écosystème prolifique s’est construit. Intel se démarque avec ses processeurs Loihi. Loihi 2 anime désormais le puissant système Hala Point aux Sandia National Laboratories : 1,15 milliard de neurones simulés, 128 milliards de synapses, rien de moins. Les plateformes Pohoiki Springs et Pohoiki Beach témoignent de cette montée en puissance, cumulant jusqu’à 100 millions de neurones pour la première, 8 millions pour la seconde, grâce à l’agrégation de centaines de puces.

IBM avance avec TrueNorth (un million de neurones, 256 millions de synapses), tout en poursuivant sa recherche avec SyNAPSE et Analog AI. Ces architectures misent sur la capacité à traiter l’information en parallèle, à la manière du cerveau humain, pour accélérer les applications d’intelligence artificielle.

Du côté des challengers, BrainChip propose Akida, une puce dédiée à l’edge computing et aux systèmes embarqués, avec 1,2 million de neurones et 10 milliards de synapses. Qualcomm intègre l’IA neuromorphique à ses processeurs mobiles via le projet Zeroth, une brique clé de la gamme Snapdragon.

L’Europe n’est pas en reste : STMicroelectronics, AnotherBrain et Soitec misent sur des matériaux innovants, comme les PCM (matériaux à changement de phase), des métasurfaces ou des nanostructures photoniques. Ces innovations repoussent les frontières de la miniaturisation et de l’efficacité, dessinant une nouvelle génération de neurones et de synapses artificiels, prête à redéfinir l’IA et la gestion énergétique.

Le décor est planté : la course à l’informatique neuromorphique s’accélère, portée par une ambition commune. Reste à savoir qui, demain, transformera ces promesses en usages quotidiens et changera durablement notre rapport à la machine.