Optimisation de l’Intelligence Artificielle grâce à l’ECRAM

Une équipe de recherche, dirigée par le professeur Seyoung Kim du Département de Science des Matériaux et d’Ingénierie ainsi que du Département d’Ingénierie des Semi-conducteurs à POSTECH, en collaboration avec l’alumni Kyungmi Noh et l’étudiant en doctorat Hyunjeong Kwak, ainsi que le professeur Hyung-Min Lee de l’École d’Ingénierie Électrique de l’Université de Corée, a récemment prouvé que le matériel analogique utilisant des dispositifs ECRAM peut optimiser les performances computationnelles de l’intelligence artificielle, mettant en lumière son potentiel commercial. Cette recherche a été publiée dans la revue internationale Science Advances.

Les Limites du Matériel Numérique

Le développement rapide des technologies d’IA, y compris des applications telles que l’IA générative, a poussé les capacités du matériel numérique existant (CPU, GPU, ASIC, etc.) à leurs limites. Par conséquent, des recherches actives se concentrent sur le matériel analogique spécialisé pour le calcul en IA. Ce type de matériel ajuste la résistance des semi-conducteurs en fonction de la tension ou du courant externe et utilise une structure de matrice croisée avec des dispositifs de mémoire disposés verticalement pour traiter les calculs d’IA en parallèle. Bien qu’il présente des avantages par rapport au matériel numérique pour certaines tâches de calcul et le traitement continu des données, répondre aux exigences variées pour l’apprentissage computationnel et l’inférence reste un défi.

Innovations avec l’ECRAM

Pour surmonter les limitations des dispositifs de mémoire analogique, l’équipe de recherche s’est concentrée sur la Mémoire d’Accès Aléatoire Électrochimique (ECRAM), qui gère la conductivité électrique par le mouvement et la concentration des ions. Contrairement à la mémoire semi-conductrice traditionnelle, ces dispositifs possèdent une structure à trois terminaux avec des chemins distincts pour la lecture et l’écriture des données, permettant un fonctionnement à faible consommation d’énergie.

Résultats de l’Étude

Dans leur étude, l’équipe a réussi à fabriquer des dispositifs ECRAM en utilisant des semi-conducteurs à trois terminaux dans une matrice de 64×64. Les expériences ont montré que le matériel intégrant les dispositifs de l’équipe présentait d’excellentes caractéristiques électriques et de commutation, ainsi qu’un rendement et une uniformité élevés. De plus, l’équipe a appliqué l’algorithme Tiki-Taka, un algorithme d’apprentissage analogique de pointe, à ce matériel à haut rendement, maximisant ainsi la précision des calculs d’entraînement des réseaux neuronaux d’IA. Il est à noter que les chercheurs ont démontré l’impact de la propriété de « rétention de poids » de l’entraînement matériel sur l’apprentissage, confirmant que leur technique ne surcharge pas les réseaux neuronaux artificiels, soulignant ainsi le potentiel de commercialisation de cette technologie.

Une Avancée Majeure

Cette recherche est d’une grande importance, car la plus grande matrice de dispositifs ECRAM pour le stockage et le traitement de signaux analogiques rapportée dans la littérature jusqu’à présent était de 10×10. Les chercheurs ont maintenant réussi à mettre en œuvre ces dispositifs à une échelle plus grande, avec des caractéristiques variées pour chaque dispositif.

Le professeur Seyoung Kim de POSTECH a déclaré : « En réalisant des matrices à grande échelle basées sur des technologies de dispositifs de mémoire novatrices et en développant des algorithmes d’IA spécifiques au matériel analogique, nous avons identifié un potentiel de performance computationnelle et d’efficacité énergétique de l’IA qui dépasse de loin les méthodes numériques actuelles. »

Soutien à la Recherche

Cette recherche a été réalisée avec le soutien du Ministère du Commerce, de l’Industrie et de l’Énergie, du Programme de Partenariat Public-Privé pour la Formation de Talents en Semi-conducteurs soutenu par l’Institut de Planification et d’Évaluation de la Technologie Industrielle (KEIT) et l’Association de l’Industrie des Semi-conducteurs de Corée, ainsi que l’outil EDA de l’IDEC.