[EN VIDÉO] Deep learning et machine learning : quelle différence ?  Le deep learning et le machine learning font tous deux appel à l’intelligence artificielle. 

Améliorer sans cesse les intelligences artificielles nécessite de plus en plus de puissance de traitement et vient alourdir sans cesse l’empreinte carbone. Pour alléger les ressources tout en multipliant les performances, aux États-Unis, le MIT (Massachusetts Institute of Technology) mise sur le deep learning analogique. Les laboratoires de l’université affirment avoir mis au point des synapses analogiques qui seraient un million de fois plus rapides que celles de notre cerveau humain, pour une consommation moindre.

Comment ? Grâce à des processeurs dits analogiques. Les processeurs analogiques fonctionnent avec des résistances, qui représentent l’équivalent des transistors pour les processeurs numériques. Pour gagner du temps, tout en consommant moins d’énergie, les données sont traitées directement dans la mémoire et non pas transférées dans un processeur. De plus, l’ensemble des calculs se fait en parallèle.

Un matériau résistant et très conducteur

Dans le cas des expérimentations du MIT, il s’agissait de résistances protoniques programmables. Le matériau employé pour la résistance est du verre phosphosilicate inorganique (PSG). C’est l’équivalent de ce qui se trouve dans les petits sachets déshydratant (dessicant) que l’on trouve dans les emballages de certains produits.

Il est associé à du phosphore au silicium qui lui permet d’assurer la conduction des protons. Avec ce matériau, la vitesse de calcul était de l’ordre de la nanoseconde. Le PSG est capable d’encaisser des tensions énormes sans se rompre, cela permet aux protons de se déplacer vite tout en consommant peu d’énergie. Au final, pour le labo, avec ce procédé il ne s’agit pas de passer d’une voiturette à un bolide, mais directement à un vaisseau spatial. Cette expérimentation devrait permettre aux processeurs analogiques dédiés au deep learning de faire un pas de géant.