Télécharger l'article en PDF
Contrairement aux réseaux de neurones artificiels (ANN) utilisés entre autres actuellement dans les systèmes de perception des robots, les neurones récurrents à pointes (SNN) imitent le fonctionnement des groupes de neurones biologiques : la plupart du temps, ils sont inactifs, avec une courte impulsion occasionnelle (ou pointe) déclenchée lorsqu'une combinaison de pointes entrantes dépasse le seuil dans un laps de temps donné. Cette approche offre des avantages majeurs. Par exemple, la puce SNN d'imec s'est avérée consommer jusqu'à cent fois moins d'énergie que les implémentations traditionnelles. Ceci, tout en réduisant le retard du signal (ou latence) d'un facteur dix, permettant au réseau neuronal de prendre des décisions beaucoup plus rapidement.
La puce SNN originelle : optimisée et mise à plus grande échelle
Au cours de l'année écoulée, les chercheurs d'imec ont utilisé la puce SNN d'origine, dont les détails ont été récemment décrits dans ‘Frontiers in Neuroscience’, optimisée et mise à plus grande échelle pour prendre en charge un large éventail de cas (IdO et robotique autonome). La puce utilise une architecture numérique entièrement basée sur les événements et est construite avec une technologie 40 nm de puce standard économique.
L'un des systèmes les plus performants en termes de précision (d'inférence)
Une étude approfondie menée par imec et le Centre pour les mathématiques et l'informatique néerlandais (CWI) a comparé le SNN d'imec à six autres réseaux de neurones. Huit jeux de données ont été utilisés pour l'évaluation, y compris les jeux de données Google radar (SoLi) et Google Speech. D'une part, l'étude confirme que le réseau de neurones à pointes d'imec excelle en termes d'efficacité énergétique. D'autre part, cependant, la recherche montre également qu'une telle faible consommation d'énergie ne doit pas se faire au détriment de la précision (d'inférence). Au contraire : pour chacun des jeux de données clés utilisés dans l'étude, le SNN d'imec figurait parmi les systèmes les plus performants.
Trouver l'équilibre
La technologie SNN trouvera sa place dans un certain nombre d'applications: des appareils intelligents et autodidactes de l'Internet des objets (IdO), de l'habitronique (‘wearables’) jusqu'aux drones et robots autonomes. Chacun de ces cas a ses exigences spécifiques. Par exemple, les réseaux de neurones à pointes pour les applications IdO doivent principalement exceller en termes d'efficacité énergétique. Les drones autonomes eux, ont principalement besoin d'un retard de signal limité, afin de rapidement pouvoir éviter les obstacles. Développer une architecture SNN unique qui couvre toutes ces exigences est un énorme défi. Il s'agit de trouver un équilibre délicat entre la consommation d'énergie, le retard du signal, la précision, le coût et l'évolutivité. Par exemple, un SNN à faible consommation d'énergie et un retard de signal limité entraîne souvent une plus grande surface de puce et vice versa. Trouver cet équilibre est l'un des fers de lance de la recherche SNN d'imec.
Le futur : une approche de pointes de bout en bout
Revenons un instant au cas du drone. Les drones sont utilisés dans un nombre croissant de domaines d'application. Cependant, pour améliorer leur autonomie et leur permettre d'opérer dans des environnements plus difficiles (comme une météo désastreuse), leurs capacités de détection ont encore besoin d'un sérieux coup de pouce. Une approche de pointes de bout en bout offre une issue ; une approche qui fait usage des données radar et caméra neuromorphiques. De cette manière, nous pouvons construire un système très écoénergétique, mais avec un retard de signal très limité. Cependant, le problème est que pour connecter ces types de caméras aux systèmes d'IA sous-jacents, leurs ‘feeds’ doivent encore aujourd'hui être convertis en « frames », ce qui annule largement les gains d'efficacité. C'est pourquoi imec étudie comment une approche de pointes de bout en bout, des caméras et capteurs jusqu'à l'IA sous-jacente, pourrait apporter un apaisement ici. imec est en fait le premier à le faire, avec des résultats prometteurs jusqu'à présent. Elle recherche donc des entreprises de l'industrie des drones (comme les fabricants de drones) pour rejoindre le programme et expérimenter cette technologie.
