Une architecture d'IA inspirée du cerveau améliore la vitesse tout en réduisant considérablement la consommation d'énergie

Abstraction à double voie de mémoire. Au niveau algorithmique, chaque couche conserve un état partagé de faible dimension qui rend compte des dynamiques contextuelles lentes et module l’activité de décharge rapide. Du point de vue matériel, cette séparation se traduit par un accélérateur hétérogène qui conserve l’état compact sur la puce et fusionne les calculs clairsemés et denses pour une exécution efficace. Crédit : Sun et al.

Les réseaux neuronaux à impulsions (SNN) sont des modèles d’IA inspirés du mode de communication des neurones biologiques. Contrairement aux neurones biologiques qui échangent des informations par le biais d’impulsions électriques, les SNN s’appuient sur de brefs signaux appelés « impulsions ».

Les SNN se sont révélés prometteurs pour réduire la consommation d’énergie, car les développeurs peuvent s’assurer qu’ils traitent les informations uniquement lorsque des changements significatifs se produisent, plutôt que de manière continue. Il s’agit là d’un avantage considérable, étant donné que les systèmes d’IA actuels consomment une quantité d’énergie considérable.

Bien que certains SNN antérieurs aient donné des résultats encourageants, ils peinent souvent à conserver un contexte utile sur de longues périodes. Ce défi devient particulièrement prononcé lorsque les modèles disposent d’une capacité de stockage de données limitée ou fonctionnent sous des contraintes énergétiques.

Des chercheurs de l’Imperial College de Londres et de l’ETH Zurich ont récemment présenté un ensemble matériel et logiciel conçu conjointement, capable de surmonter cette limitation. Leur architecture, décrite dans un article publié dans *Nature Machine Intelligence*, gère efficacement les tâches impliquant de longues séquences tout en étant économe en énergie et en réduisant les besoins en stockage de données.

« Les réseaux neuronaux à impulsions excellent dans la détection pilotée par les événements », écrivent Pengfei Sun, Zhe Su et leurs collègues. « Cependant, le maintien d’un contexte pertinent pour la tâche sur de longues durées, tant au niveau algorithmique que matériel, tout en respectant des budgets d’énergie et de mémoire serrés, reste un défi majeur. Nous y répondons par un effort de co-conception algorithme-matériel. »

Conception matérielle de l’architecture DMP. Crédit : Nature Machine Intelligence (2026). DOI : 10.1038/s42256-026-01255-3

Un nouveau système à double mémoire inspiré du cerveau

Des études antérieures ont montré que certains processus neuronaux sont extrêmement rapides tandis que d’autres sont plus lents, ce qui permet au cerveau de conserver les informations plus longtemps. L’architecture développée par Sun, Su et leurs collègues imite cette combinaison de processus neuronaux rapides et lents.

L’équipe a conçu conjointement des composants logiciels et matériels qui se complètent, en s’inspirant des principes de l’organisation «rapide-lente» du cerveau. Le logiciel consiste en un réseau neuronal synaptique (SNN) multicouche qui combine une voie de mémoire lente avec une activité de décharge rapide.

« Au niveau de l’algorithme, en nous inspirant de l’organisation rapide-lente du cortex cérébral, nous introduisons un réseau neuronal doté d’une voie de mémoire lente explicite qui, combinée à une activité d’impulsions rapides, permet une architecture à double voie de mémoire. Dans cette architecture, chaque couche conserve un état compact de faible dimension qui résume l’activité récente et module la dynamique des impulsions », ont écrit les auteurs.

« Cette mémoire explicite stabilise l’apprentissage tout en préservant la parcimonie pilotée par les événements, permettant d’atteindre une précision compétitive sur des benchmarks à longues séquences avec 40 à 60 % de paramètres en moins par rapport aux réseaux neuronaux à impulsions de pointe équivalents. »

L’un des principaux avantages de l’architecture à double voie de mémoire réside dans sa capacité à traiter efficacement les données entrantes tout en conservant les informations importantes pour la tâche sous une forme compacte. L’équipe a également conçu un matériel spécialisé, optimisé pour l’exécution de son SNN.

« Au niveau matériel, nous introduisons une architecture de calcul proche de la mémoire qui exploite pleinement les avantages de l’architecture à double voie de mémoire en conservant son état partagé compact tout en optimisant le flux de données entre des voies hétérogènes à impulsions clairsemées et à mémoire dense », ont écrit Sun, Su et leurs collègues.

Premiers résultats et applications concrètes possibles

Les chercheurs ont évalué leur SNN et le matériel qu’ils ont co-conçu à travers une série de tests initiaux. Ils ont mesuré la vitesse d’exécution de tâches à longues séquences (traitement de longs flux de données), la consommation d’énergie et le débit de données dans un laps de temps donné.

« Les résultats expérimentaux démontrent une multiplication par plus de quatre du débit et une amélioration de plus de cinq fois de l’efficacité énergétique par rapport aux implémentations de pointe », ont écrit les auteurs. « Ensemble, ces contributions montrent que les principes biologiques peuvent guider des abstractions fonctionnelles à la fois efficaces sur le plan algorithmique et optimisées pour le matériel, établissant ainsi un cadre de co-conception évolutif pour le calcul et l’apprentissage neuromorphiques en temps réel. »

Le nouveau SNN et le matériel développés par Sun, Su et leurs collègues pourraient être encore affinés et testés sur un éventail plus large de tâches. À l’avenir, ils pourraient permettre l’analyse rapide de grandes quantités de données en temps réel dans des conditions de contraintes énergétiques. Cela serait précieux pour des applications telles que la robotique, les appareils portables, l’IA en périphérie et les réseaux de capteurs multiples connectés.

Rédigé par notre autrice Ingrid Fadelli, édité par Gaby Clark, et vérifié et relu par Robert Egan, cet article est le fruit d’un travail humain minutieux. Nous comptons sur des lecteurs comme vous pour faire vivre le journalisme scientifique indépendant. Si ce reportage vous tient à cœur, pensez à faire un don (de préférence mensuel). En guise de remerciement, vous bénéficierez d’un compte sans publicité.