Redéfinir l'architecture des microprocesseurs par le biais de la conception neuromorphe

La poursuite sans relâche d'un calcul plus rapide et plus efficace a conduit à la conception de microprocesseurs pendant des décennies, suivant la trajectoire de Moore’s Law et Dennard. Cependant, alors que les dimensions des transistors approchent des échelles atomiques, les architectures traditionnelles von Neumann font face à des limitations physiques et de puissance fondamentales. En réponse, les chercheurs et les ingénieurs du matériel se tournent vers une approche radicalement différente : l'informatique neuromorphe. En empruntant des principes aux systèmes neuronaux biologiques, ce paradigme cherche à créer des processeurs qui non seulement effectuent des calculs différemment mais aussi excellent dans des tâches où les puces conventionnelles se battent, comme le traitement sensoriel en temps réel, la reconnaissance des patrons et l'apprentissage adaptatif.

Les limites de la conception des microprocesseurs conventionnels

L'architecture classique des microprocesseurs, basée sur le modèle von Neumann, sépare les unités de mémoire et de traitement. Les données se déplacent entre elles, créant un goulot d'étranglement connu sous le nom de von Neumann goulot d'étranglement. Bien que les vitesses de l'horloge aient augmenté et que les nombres de transistors aient augmenté, le coût énergétique des données de déplacement est devenu un facteur dominant dans la consommation d'énergie globale.Les processeurs modernes consomment énormément d'énergie pour navetter les données entre les unités logiques cache, RAM et arithmétique.

Fondations de l'informatique neuromorphe

L'informatique neuromorphe, terme inventé par Carver Mead à la fin des années 1980, fait référence à la conception de systèmes électroniques qui imitent les structures neuronales et synaptiques des systèmes nerveux biologiques. Au lieu de représenter l'information comme des états binaires (0 ou 1) et de la traiter dans des instructions séquentielles, les systèmes neuromorphes utilisent les réseaux neuronaux (SNN)[ qui permettent de coder l'information dans le temps et le taux des pics électriques, tout comme les potentiels d'action chez les neurones. Ces pics sont transmis à travers les synapses, dont les forces (poids) peuvent être modifiées par des règles d'apprentissage telles que la plasticité dépendante des pics (STDP).

Principales inspirations biologiques

  • Neurons de déclenchement:Neurons dans le matériel neuromorphe seulement lorsque l'entrée dépasse un seuil, produisant un événement (spike).Ce calcul basé sur l'événement signifie que le système reste largement inactif jusqu'à ce qu'il soit nécessaire, économisant l'énergie.
  • Plasticité synaptique:[ Les poids synaptiques sont ajustés en fonction du moment relatif des pics pré et post-synaptiques, permettant d'apprendre directement sur le matériel.
  • Parallélisme massique: Un cerveau unique contient des milliards de neurones et des billions de synapses, qui fonctionnent tous simultanément.
  • Signalisation asynchrone :[ Contrairement aux circuits numériques à horloge, les systèmes neuromorphes utilisent souvent la communication asynchrone ou par événement, éliminant la puissance gaspillée en tournant une horloge globale.

Comment les différences de matériel neuromorphe des processeurs conventionnels

Les processeurs traditionnels exécutent les instructions de façon séquentielle (ou avec un parallélisme limité par la pipeline et le multifiltrage) et se fondent sur une horloge précise. La mémoire est accessible par une hiérarchie de caches et DRAM, impliquant des pénalités de latence et d'énergie. En revanche, les puces neuromorphes sont généralement construites comme des réseaux de barres de croisement[ de dispositifs de mémoire non volatiles (comme des mémorseurs ou des mémoires de changement de phase) qui agissent comme des synapses, connectés à des circuits neuronaux mis en place avec des transistors CMOS. La compilation est effectuée là où réside la mémoire, une architecture connue sous le nom en mémoire de calcul. De plus, les systèmes neuromorphes fonctionnent de façon continue, analogue : les potentiels de membranes neuronales intègrent les courants d'entrée, et lorsqu'un seuil est franchi, une pointe est générée.

Mise en œuvre numérique par rapport à l'analogie neuromorphe

Les puces neuromorphes peuvent être conçues dans des domaines numériques ou analogiques (ou hybrides).Les conceptions neuromorphes numériques, comme Intel’s Loihi 2, représentent la dynamique des neurones avec des nombres discrets et utilisent une logique déterministe.Elles offrent une meilleure immunité sonore, une évolutivité et une intégration plus facile avec les systèmes numériques conventionnels.Les conceptions analogiques, comme certaines puces de recherche de Stanford et IBM, utilisent les transistors dans les régimes subseuils pour modéliser plus directement le comportement des neurones, potentiellement atteindre une puissance plus faible par pic, mais souffrant de la variabilité de fabrication et de la sensibilité à la température.

Principaux avantages pour les futurs microprocesseurs

Efficacité énergétique non connue

Le plus grand avantage de l'informatique neuromorphe est son potentiel de réduction de la consommation d'énergie par ordre de grandeur pour certaines charges de travail. Les cerveaux biologiques fonctionnent sur environ 20 watts, tandis que les superordinateurs modernes nécessitent des mégawatts pour simuler même une fraction de cette activité neuronale. Les puces neuromorphes atteignent cette efficacité parce qu'elles ne consomment de l'énergie que lorsque des pics se produisent, pas pendant les périodes de repos.

Traitement sensoriel en temps réel

Les capteurs neuromorphes, tels que les caméras à base d'événements (p. ex. le capteur de vision dynamique), les flux de sortie d'événements de pic plutôt que de cadres complets à un rythme fixe. Un processeur neuromorphe peut traiter ces événements à leur arrivée, en réagissant avec une latence microseconde. Ceci est idéal pour la robotique en mouvement rapide, le contrôle autonome du véhicule et l'automatisation industrielle où le traitement conventionnel basé sur les cadres introduit des retards.

Apprentissage sur le pouce et adaptabilité

Les microprocesseurs traditionnels exécutent des réseaux neuronaux préformés; l'apprentissage se fait hors ligne sur un matériel distinct (généralement des GPU). Les puces neuromorphes peuvent mettre en œuvre des règles d'apprentissage locales comme STDP directement dans le matériel, permettant au système de s'adapter à de nouvelles données en temps réel sans nécessiter un ordinateur hôte.

Tolérance et robustesse des fautes

Comme le calcul neuronal est distribué et redondant, les systèmes neuromorphes sont intrinsèquement tolérants aux défauts. La perte d'un neurone ou d'une synapse dans un réseau dégrade généralement les performances gracieusement plutôt que de causer une défaillance catastrophique. Cette propriété est précieuse pour les missions spatiales de longue durée, l'exploration en mer profonde, ou toute application où la réparation matérielle est impossible.

Notables processeurs et projets neuromorphes

Les autorités françaises ont également fait savoir que les mesures de sécurité étaient conformes aux exigences de l'article 4 du règlement (UE) no 1308/2013.

Intel’s Loihi 2 est un processeur de recherche neuromorphe numérique qui supporte jusqu'à 1 million de neurones et 120 millions de synapses par puce. Il comporte des retards synaptiques programmables, des pics gradués et des neurones à compartiment multiple. Loihi 2 introduit également une interface native au cadre logiciel Intel’s Lava, permettant aux chercheurs de développer des algorithmes SNN. Il démontre jusqu'à 1000x efficacité énergétique[ sur les processeurs conventionnels pour certaines charges de travail réseau neuronales spikantes.

IBM TrueNorth

IBM’s TrueNorth, introduit en 2014, contient 4096 carottes neurosynaptiques, chacune avec 256 neurones et 256×256 synapses interbar, totalisant 1 million de neurones et 256 millions de synapses. Il fonctionne à une puissance extrêmement faible (environ 70 mW) et utilise une architecture basée sur des événements.

BrainScaleS et SpiNNaker

Ces projets européens prennent différentes approches. BrainScaleS (Heidelberg) est un système neuromorphe analogique qui fonctionne 10 000x plus rapidement que le temps réel biologique, ce qui le rend utile pour étudier la dynamique neuronale à long terme. SpiNNaker (Manchester) est un système numérique conçu pour la simulation en temps réel de grands réseaux neuronaux à spires, utilisant de nombreux cœurs ARM interconnectés par un réseau personnalisé commuté par paquets.

Défis à relever face aux microprocesseurs neuromorphes

Mismatch algorithmique et logiciel

La plupart des logiciels actuels d'IA sont conçus pour les réseaux neuraux classiques et non-dérapants (CNN, RNN). La conversion de ces logiciels en NPN entraîne souvent une perte de précision ou nécessite un recyclage. De plus, la formation des NPN avec rétropropagation est difficile en raison de la nature non différentiable des événements de pointe.

Écailabilité et fabrication

Bien que les puces neuromorphes puissent être fabriquées à l'aide de processus CMOS standard, l'intégration de barres croisées denses et mémristiques avec des circuits CMOS neurones introduit la complexité de la fabrication. La variabilité et l'endurance des dispositifs de mémoire non volatile émergents (mémristeurs, PCM, STT-RAM) ne sont pas encore au niveau requis pour la production commerciale en grand volume.

Absence d'architectures normalisées

Contrairement au modèle von Neumann, qui a une interface d'instruction et de mémoire bien définie, les architectures neuromorphes varient considérablement. Chaque groupe de recherche met en œuvre différents modèles neuronaux, règles d'apprentissage et schémas de communication. Cette fragmentation rend difficile le développement de logiciels portables ou de comparer les performances.

Capacité d'activité générale limitée

Les processeurs neuromorphes excellent dans les tâches d'inspiration neuronale mais fonctionnent mal aux charges de travail traditionnelles (p. ex., traitement de texte, bases de données, maths flottants). Par conséquent, ils sont susceptibles de servir de coprocesseurs ou d'accélérateurs aux côtés des processeurs conventionnels, comme les processeurs GPU aujourd'hui.

Voies d'intégration: Systèmes informatiques hybrides

L'avenir le plus réaliste à court terme pour les microprocesseurs neuromorphes est celui des accélérateurs spécialisés dans les plateformes informatiques hétérogènes. Par exemple, un système mobile sur puce pourrait inclure un processeur conventionnel pour les tâches à usage général, un processeur pour les charges de travail graphiques et parallèles, et un noyau neuromorphe pour le traitement des capteurs et l'inférence adaptative. Cette combinaison permet aux appareils de tirer parti des forces de chaque architecture.

Demandes en attente de transformation

Edge AI et Internet des objets

Les processeurs neuromorphes de faible puissance permettent l'IA directement sur les capteurs, caméras et microphones alimentés par batterie sans connectivité cloud. Par exemple, une puce neuromorphe d'un appareil intelligent pourrait écouter en permanence des mots-clés tout en consommant des microwatts, permettant des commandes vocales toujours sur-sans égoutter les batteries.

Véhicules autonomes et robotique

Une puce neuromorphe peut traiter chaque événement de pixel à partir d'une caméra DVS, ce qui permet d'éviter les obstacles à des moments de réponse milliseconde. De plus, les contrôleurs neuromorphes peuvent mettre en œuvre des boucles sensorimoteurs qui s'adaptent en permanence aux environnements changeants, mimant les réflexes biologiques.

Prothèses médicales et neurales

Les chercheurs développent des interfaces cerveau-machine qui utilisent des puces neuromorphes pour décoder les signaux neuraux en temps réel, contrôler les membres prothétiques ou les curseurs informatiques. La faible puissance et le petit facteur de forme les rendent également adaptés aux dispositifs implantables, tels que les stimulateurs cérébraux profonds en boucle fermée qui adaptent les schémas de stimulation basés sur la rétroaction neuronale.

Simulation scientifique

Les simulations traditionnelles sur les superordinateurs sont lentes et ennuyeuses parce qu'elles émulent chaque synapse et neurone dans un logiciel. Le matériel neuromorphe exécute ces modèles nativement, offrant des accélérations de plusieurs ordres de grandeur. Des projets comme BrainScaleS et SpiNNaker sont déjà utilisés pour modéliser les régions du cerveau pour étudier l'épilepsie, la mémoire et l'apprentissage.

Perspectives d'avenir: Au-delà de la Silicone

Bien que les puces neuromorphes actuelles dépendent du CMOS et des mémoires émergentes, la vision à long terme comprend de nouveaux matériaux et dispositifs qui imitent plus étroitement les synapses biologiques. ]Les mémorseurs[, par exemple, peuvent stocker un continuum d'états de conductance et émuler directement la plasticité synaptique.

Des organismes comme le Neuromorphique Computing Consortium et les groupes de travail de l'IEEE élaborent des repères, des mesures et des protocoles de communication. Une fois standardisés, les microprocesseurs neuromorphes peuvent être plus facilement comparés et intégrés dans des systèmes plus grands, comme la façon dont le calcul GPU normalisé de CUDA.

Conclusion

L'avenir du design microprocesseur est inextricablement lié aux principes du calcul neuromorphe. Alors que les architectures classiques continueront de dominer pour les tâches à usage général, la demande croissante d'intelligence énergétique, en temps réel et adaptative entraîne un changement de paradigme. Les processeurs neuromorphes offrent un chemin autour de la paroi de puissance et du goulot d'étranglement von Neumann en embrassant l'élégance computationnelle des cerveaux biologiques. Des défis subsistent dans les algorithmes, la fabrication et la normalisation, mais le rythme des progrès s'accélère. Au cours de la prochaine décennie, on peut s'attendre à voir des noyaux neuromorphes intégrés dans tout, des smartphones aux satellites, changeant fondamentalement la façon dont les machines sentent, apprennent et interagissent avec le monde.