Des chercheurs de l'Université de Pékin et de l'Institut de microsystèmes et de technologies de l'information de Shanghai, affilié à l'Acadé...
Des chercheurs de l'Université de Pékin et de l'Institut de microsystèmes et de technologies de l'information de Shanghai, Académie chinoise des sciences, ont développé avec succès une puce de système neurodynamique basée sur un memristor à changement de phase.
Cette recherche, publiée dans la revue Science sous le titre "Système neurodynamique inférieur à 10 millisecondes basé sur un memristor à changement de phase", propose un schéma de calcul en mémoire contrôlable combinant les propriétés physiques du dispositif avec des algorithmes neurodynamiques.
Ce système prototype réduit la latence d'une itération unique du système neurodynamique à 2,12 millisecondes. Dans les expériences publiées, par rapport aux accélérateurs spécialisés existants, ce système améliore considérablement la vitesse et l'efficacité énergétique tout en réalisant une reconstruction de surface corticale haute fidélité et une génération de maillage tridimensionnel.
Les systèmes neurodynamiques combinent le pouvoir expressif des réseaux de neurones avec le mécanisme d'évolution continue des équations différentielles.
Cela rend ces systèmes adaptés aux tâches nécessitant la modélisation de l'évolution temporelle de systèmes physiques, notamment :
Cependant, les besoins computationnels de ces systèmes sont extrêmement exigeants. La résolution de modèles neurodynamiques nécessite généralement des intégrations numériques répétées, des estimations d'erreur et une recherche adaptative du pas de temps. Chaque itération peut impliquer plusieurs évaluations du réseau de neurones, ainsi qu'un va-et-vient fréquent des données intermédiaires entre la mémoire et l'unité de traitement.
Dans l'architecture traditionnelle de von Neumann, le stockage et le calcul sont physiquement séparés. Les données doivent être transférées entre la mémoire, le cache et les unités arithmétiques tout au long du processus de calcul. Ce transfert de données consomme du temps et de l'énergie, dépassant parfois le coût des opérations mathématiques elles-mêmes.
Depuis près d'un demi-siècle, le défi central reste difficile à surmonter : comment les systèmes neurodynamiques peuvent-ils maintenir une modélisation continue précise tout en réalisant une faible latence pour les applications en temps réel ?
L'équipe de recherche a résolu ce problème en utilisant deux propriétés programmables des dispositifs de mémoire à changement de phase :
Les chercheurs n'ont pas considéré ces effets physiques uniquement comme des défauts à corriger, mais les ont directement mappés à des opérations de calcul utiles.
Parmi celles-ci, la dérive de conductance est utilisée pour réaliser une recherche de pas d'intégration adaptative in situ.
Les états de conductance multi-niveaux sont utilisés pour les opérations de multiplication-accumulation à l'intérieur de la matrice de stockage.
Cela crée un système de calcul en mémoire contrôlable, où des parties importantes de l'algorithme neurodynamique sont exécutées par le comportement physique du dispositif lui-même.
[Description de l'image]
Les solveurs numériques n'utilisent pas toujours le même pas de temps.
Lorsque le système modélisé évolue lentement, un pas plus grand peut être suffisamment précis et réduire le calcul. Lorsque le système change rapidement, un pas plus petit est nécessaire pour contrôler l'erreur.
Le matériel traditionnel calcule, compare et ajuste ce pas de manière répétée par logique numérique. Le nouveau système, quant à lui, encode le pas d'intégration effectif dans l'état de conductance du dispositif à changement de phase et utilise son évolution physique contrôlée pendant le processus de recherche.
Le résultat n'est pas seulement que la mémoire est plus proche du processeur, mais que le dispositif de stockage participe directement à l'exécution de l'algorithme.
Les réseaux de neurones embarqués doivent toujours stocker des poids et effectuer des opérations matricielles.
L'équipe de recherche a utilisé des états de conductance multi-niveaux programmés avec précision pour représenter ces poids dans une matrice dense de mémoire à changement de phase. Les multiplications matrice-vecteur peuvent être effectuées directement dans la matrice, sans avoir à charger à plusieurs reprises les valeurs dans des multiplicateurs et additionneurs numériques séparés.
En combinant la recherche adaptative de pas et l'inférence de réseau de neurones dans un même système physique, on peut réduire :
Cette conception conjointe dispositif-algorithme-architecture est la principale raison pour laquelle cette puce peut réduire la latence tout en maintenant la précision de modélisation.
Cette puce de système neurodynamique est fabriquée selon un procédé de 40 nm.
La surface combinée des matrices de calcul en mémoire et de dérive de pas n'est que de 0,28 mm². La conception comprend également des circuits de support tels que des générateurs d'impulsions de programmation, des convertisseurs analogique-numérique, des pilotes et d'autres logiques périphériques.
La puce fonctionne à 50 MHz. Une seule étape d'intégration utilise un pipeline à neuf étages, avec une latence d'itération mesurée de 2,12 ms.
[Description de l'image]
| Spécification | Valeur rapportée |
|---|---|
| Procédé de fabrication | 40 nm CMOS |
| Surface combinée ENN-CIM et matrice de dérive de pas | 0,28 mm² |
| Matrice de mémoire à changement de phase | 147k cellules 1T1R |
| Fréquence de fonctionnement | 50 MHz |
| Pipeline intégré | 9 étages |
| Latence par itération | 2,12 ms |
| Endurance SET/RESET | 10¹⁰ cycles |
| Rendement rapporté | > 99,9999 % |
L'article décrit ce système comme une plateforme neurodynamique inférieure à 10 ms, tandis que le résultat mesuré pour une itération unique est de 2,12 ms.
L'équipe de recherche a comparé ce système avec du matériel neurodynamique spécialisé avancé ainsi qu'avec le GPU NVIDIA A100 dans des tâches de modélisation haute fidélité.
Pour le même type de calcul neurodynamique, cette puce aurait réalisé :
| Comparaison | Résultat rapporté |
|---|---|
| Vitesse vs. ASIC neurodynamique spécialisé | 3,82× – 36,27× plus rapide |
| Consommation vs. ASIC neurodynamique spécialisé | 11,75× – 24,73× plus faible |
| Vitesse vs. NVIDIA A100 (modélisation corticale) | 50,38× – 478,18× plus rapide |
Ces données concernent des tâches et des systèmes spécifiques. Elles ne doivent pas être interprétées comme une affirmation selon laquelle ce prototype serait généralement plus rapide que l'A100 pour des charges de travail d'IA génériques.
Cet accélérateur est conçu pour un schéma de calcul neurodynamique particulier. Son avantage provient du mappage étroit des tâches de calcul sur les propriétés du dispositif à changement de phase et de l'élimination des mouvements de données importants nécessaires dans le matériel numérique général.
L'équipe de recherche a utilisé cette puce pour reconstruire les surfaces corticales de la substance blanche et de la substance grise, et pour générer des maillages tridimensionnels.
Le système part d'un gabarit fermé de genre zéro et évolue vers la structure cérébrale cible via un processus neurodynamique. Le chemin d'intégration doit rester lisse tout en préservant l'invariance topologique de la surface.
(Ici, image, description ci-dessus)
Les résultats rapportés montrent que la surface corticale générée possède les caractéristiques suivantes :
Les résultats de reconstruction ont bien performé sur les indicateurs d'évaluation géométrique suivants :
Ces indicateurs mesurent la correspondance entre la surface reconstruite et la structure de référence, y compris l'écart moyen et les erreurs aux limites plus extrêmes.
Un modèle de surface cérébrale n'est pas utile simplement parce qu'il ressemble à un cerveau visuellement.
Il doit également avoir une structure géométrique valide.
Les auto-intersections, les trous et les régions non-manifold peuvent conduire à des analyses en aval peu fiables, affectant les mesures anatomiques, la navigation, la simulation et les analyses comparatives longitudinales ou inter-patients.
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
L'approche neurodynamique, en déformant continuellement un gabarit valide vers la morphologie cible tout en maintenant un contrôle strict du processus d'évolution, peut préserver la topologie de la surface originale tout en s'adaptant à des structures anatomiques complexes.
Les futures interfaces cerveau-machine devront réaliser bien plus que la simple reconnaissance de signaux et le déclenchement de commandes.
Les systèmes avancés pourraient nécessiter les capacités suivantes :
Ce processus est très sensible à la latence. Les modèles d'état cérébral nécessitant un traitement hors ligne long ne peuvent pas fournir une réponse interactive en temps réel.
Le calcul neurodynamique à l'échelle milliseconde peut soutenir des représentations d'état neuronal plus personnalisées et continuellement mises à jour, ce qui pourrait faire progresser les interfaces cerveau-machine de la classification de base des signaux vers la modélisation en temps réel et l'interaction adaptative.
Le résultat actuel est un prototype de recherche, pas un processeur BCI implantable. Des développements ultérieurs sont nécessaires en matière d'intégration système, de robustesse, de validation médicale, de procédés d'encapsulation, d'acquisition de données et d'approbation réglementaire.
Cette recherche révèle également des perspectives d'application en imagerie médicale et en neurosciences computationnelles.
Les développements futurs possibles incluent :
Pour des affections telles que la maladie d'Alzheimer et la maladie de Parkinson, les changements subtils de la structure et de la fonction cérébrales peuvent avoir une signification clinique.
Des techniques de modélisation plus rapides permettent aux chercheurs ou cliniciens d'analyser ces changements de manière plus interactive.
Cependant, la puce elle-même ne possède pas de fonction de diagnostic médical. Toute application clinique nécessite des modèles médicaux validés, des ensembles de données représentatifs, des études prospectives, des tests de sécurité au niveau système et les examens réglementaires correspondants.
Un article d'observation publié simultanément dans la revue Science indique que cette étude représente un changement de paradigme vers un calcul basé sur les propriétés physiques des dispositifs.
Les conceptions numériques traditionnelles s'efforcent généralement de supprimer les comportements analogiques, les variations de paramètres et la dérive des composants. Ce projet emprunte une voie différente en identifiant les caractéristiques physiques des dispositifs qui peuvent représenter les composants d'un algorithme cible, puis en construisant des systèmes de calcul autour de ces caractéristiques.
Cette approche est particulièrement précieuse à l'ère post-Moore, où la simple miniaturisation des transistors ne permet plus d'améliorer durablement les avantages en termes de coût, d'énergie et de performance.
Les nouveaux systèmes ne reposent plus uniquement sur des transistors plus petits, mais intègrent de plus en plus :
La puce à memristor à changement de phase est un exemple de cette orientation de recherche plus large.
Ce projet est codirigé par les équipes du professeur Yang Yuchao de l'Université de Pékin et du chercheur Song Zhitang de l'Institut de microsystèmes et de technologies de l'information de Shanghai, rattaché à l'Académie chinoise des sciences.
L'article de Science mentionne Lei Kai comme premier auteur. Le rapport officiel liste également les collaborateurs ayant participé à la recherche, notamment Tao Yaoyu, Xie Chenchen, Yan Longhao et Zhu Yixin.
Ce travail bénéficie du soutien des projets et institutions suivants :
Cet article est publié dans Science, volume 393, numéro 6806, pages 105-112, DOI : 10.1126/science.aee6277.
Les résultats de la recherche sont significatifs, mais certaines limites doivent être clairement précisées.
Cette puce est optimisée pour les tâches de systèmes neurodynamiques. Elle ne doit pas être considérée comme interchangeable avec un GPU en tant que processeur universel.
L'article présente un système fabriqué et validé expérimentalement, mais la production à grande échelle, la fiabilité à long terme sur le terrain, le coût du packaging, la chaîne d'outils logiciels et le déploiement en production restent des défis d'ingénierie indépendants.
Bien que la reconstruction cérébrale soit une démonstration prometteuse, les diagnostics ou interventions cliniques nécessiteraient davantage de preuves médicales.
Les dispositifs à changement de phase présentent des variations, des dérives, des non-linéarités et une sensibilité environnementale. L'intérêt de cette étude réside dans le contrôle et l'exploitation de certaines de ces propriétés, et non dans la résolution de tous les problèmes liés au matériel analogique.
Les systèmes neurodynamiques combinent des réseaux de neurones avec des équations différentielles en temps continu, permettant de modéliser l'évolution d'états physiques ou biologiques, plutôt que de fournir uniquement des prédictions statiques.
Les memristors à changement de phase stockent des informations en modifiant l'état d'un matériau de manière contrôlée, produisant différents niveaux de conductance. Leur conductance est programmable, maintenue et peut être directement utilisée pour le calcul dans la mémoire.
Cela signifie que le dispositif de mémoire effectue des calculs utiles tout en conservant les données. Dans cette puce, la dérive contrôlée de la conductance permet une recherche adaptative du pas d'intégration, tandis que la conductance multi-niveaux prend en charge les opérations de multiplication-accumulation des réseaux de neurones.
Le prototype rapporté effectue une itération neurodynamique en 2,12 millisecondes. L'article décrit la plateforme complète comme un système de moins de 10 millisecondes.
Dans la tâche de reconstruction de surface corticale testée par les chercheurs, le système serait 50,38 à 478,18 fois plus rapide. Il s'agit d'une comparaison sur une charge de travail spécifique et n'implique pas une performance générale en intelligence artificielle supérieure.
La puce neurodynamique est fabriquée selon un procédé CMOS de 40 nanomètres. La surface totale de ses matrices de calcul dans la mémoire et de dérive de pas est de 0,28 millimètre carré.
Non, elle ne peut pas encore être utilisée comme produit clinique final. Cette recherche fournit une base matérielle potentielle pour la modélisation en temps réel de l'état cérébral, mais les applications réelles d'interface cerveau-machine nécessitent davantage d'intégration système, de validation et de travail réglementaire.
L'article est publié dans la revue Science, sous le titre « Système neurodynamique sub-10 millisecondes basé sur un memristor à changement de phase ». Son DOI est 10.1126/science.aee6277.
Des chercheurs de l'Université de Pékin et de l'Académie chinoise des sciences ont construit une puce système neurodynamique utilisant des memristors à changement de phase, réalisant un calcul programmable dans la mémoire. Le dispositif mappe la dérive de conductance en une recherche adaptative du pas d'intégration et utilise la conductance multi-niveaux pour les calculs des réseaux de neurones.
Cet échantillon en technologie 40 nm effectue chaque itération en seulement 2,12 millisecondes, offrant des avantages significatifs en vitesse et en consommation d'énergie par rapport aux accélérateurs spécialisés existants. Dans la tâche de reconstruction de surface corticale, les modèles cérébraux lisses, fermés et topologiquement cohérents qu'il génère présentent une latence bien inférieure à celle des solutions GPU testées.
Cette puce reste un prototype de recherche spécialisé, et ses applications dans le domaine médical et des interfaces cerveau-machine sont encore prospectives. Cependant, cette recherche prouve que les nouvelles propriétés physiques de la mémoire peuvent être exploitées comme une ressource de calcul active, et non simplement comme un mécanisme de stockage.
L'avancée principale ne consiste pas simplement à créer une puce plus rapide, mais à transformer, par une conception conjointe dispositif-algorithme, le comportement de la mémoire à changement de phase en un élément constitutif du calcul neurodynamique lui-même.
Partez d’une phrase et obtenez un site complet en quelques minutes.
