Premier réseau neuronal memristor complet pour l’IA médicale
Des chercheurs français ont mis au point un réseau neuronal basé sur la technologie des memristors qui a été utilisé pour des analyses médicales en situation réelle.
L’équipe du CEA-Leti, du CEA-List et de deux laboratoires du CNRS a présenté la première implémentation complète d’un réseau neuronal bayésien à base de memristors pour une tâche d’IA réelle, la classification des types d’enregistrements d’arythmie avec une incertitude aléatoire et épistémique précise.
En ce qui concerne le diagnostic médical et d’autres applications de traitement sensoriel essentielles à la sécurité qui nécessitent des décisions précises basées sur une petite quantité de données d’entrée bruyantes, l’étude souligne que si les réseaux neuronaux bayésiens excellent dans ces tâches parce qu’ils fournissent une évaluation prédictive de l’incertitude, la nature probabiliste exige une utilisation accrue de l’énergie et des calculs. L’augmentation est due au fait que la mise en œuvre des réseaux dans le matériel nécessite un générateur de nombres aléatoires pour stocker les distributions de probabilité, les poids synaptiques.
« Notre article présente, pour la première fois, une implémentation matérielle complète d’un réseau neuronal bayésien utilisant la variabilité intrinsèque des memristors pour stocker ces distributions de probabilité », a déclaré Elisa Vianello, scientifique en chef du CEA-Leti et co-auteur de l’article intitulé « Bringing Uncertainty Quantification to the Extreme-Edge with Memristor-Based Bayesian Neural Networks » (Amener la quantification de l’incertitude à l’extrême avec les réseaux neuronaux bayésiens basés sur les memristors). « Nous avons exploité la variabilité intrinsèque des memristors pour stocker ces distributions de probabilités, au lieu d’utiliser des générateurs de nombres aléatoires ».
- Réseau neuronal à réservoir numérique piloté par des memristors
- Un circuit de mémoire peut apprendre pour l’IA neuromorphique
- Des scientifiques créent un réseau de synapses cérébrales à l’aide de memristors
- Une puce d’IA neuromorphique de 48 cœurs utilise une mémoire résistive
Un deuxième défi majeur était que l’inférence dans l’approche de l’équipe nécessite des opérations parallèles massives de multiplication et d’accumulation (MAC).
« Ces opérations sont gourmandes en énergie lorsqu’elles sont effectuées sur des ASIC CMOS et des réseaux de portes programmables, en raison de la navette des données entre le processeur et la mémoire », a déclaré M. Vianello. « Dans notre solution, nous utilisons des barres transversales de memristors qui mettent naturellement en œuvre la multiplication entre la tension d’entrée et le poids synaptique probabiliste par la loi d’Ohm, et l’accumulation par la loi du courant de Kirchhoff, afin de réduire de manière significative la consommation d’énergie ».
L’équipe a également dû concilier la nature des memristors, dont les effets statistiques respectent les lois de la physique des dispositifs, avec les réseaux neuronaux bayésiens, dans lesquels ces effets peuvent prendre des formes arbitraires.
Ce travail relève ce défi grâce à un nouvel algorithme d’apprentissage – l’inférence variationnelle augmentée d’une « perte technologique » – qui tient compte des non-idéalités de l’appareil pendant la phase d’apprentissage », a déclaré Damien Querlioz, chercheur à l’Université Paris-Saclay, au Centre national français de la recherche scientifique (CNRS) et au Centre de nanosciences et de nanotechnologies (CNN). « Notre approche permet au réseau neuronal bayésien d’être compatible avec les imperfections de nos memristors ».
Si vous avez apprécié cet article, vous aimerez les suivants : ne les manquez pas en vous abonnant à :
