Aller au contenu

Utilisateur:Naphtaris/Brouillon

Une page de Wikipédia, l'encyclopédie libre.

L'ingénierie neuromorphique ou informatique neuromorphique[1][2][3] est un concept initialement developpé par Carver Mead[4] à la fin des années 1980, décrivant l'utilisation de systèmes d'intégration à très grande échelle (ou VLSI, pour Very-Large-Scale Integration) contenant des circuits électroniques analogiques pour imiter certaines architectures neuro-biologiques présentes dans le système nerveux[5]. Récemment, le terme neuromorphique a été utilisé pour décrire des circuits VLSI analogiques, numériques, ou mixtes analogique-numérique, mais aussi des systèmes logiciels implémentant des modèles de systèmes nerveux (pour la perception, le contrôle moteur ou l'intégration multisensorielle). L'implémentation hardware de l'informatique neuromorphique met typiquement en œuvre des memristors[6], des mémoires MRAM[7], et des transistors[8].

Un aspect clé de l'ingénierie neuromorphique consiste à comprendre comment la morphologie des neurones individuels, des circuits, des applications et des architectures crée une certaine capacité de calcul, affecte la représentation de l'information, influence la robustesse aux dégâts, permet l'apprentissage et le développement, s'adapte aux changements locaux (plasticité), et facilite le changement évolutif.

L'ingénierie neuromorphique est un sujet interdisciplinaire qui puise son inspiration dans la biologie, la physique, les mathématiques, l'informatique et l'électronique pour concevoir des systèmes neuraux artificiels (systèmes de vision ou d'audition artificiels, robots autonomes, etc) dont l'architecture physique et les principes de conception sont basés sur ceux de systèmes nerveux biologiques[9].

Exemples[modifier | modifier le code]

Dès 2006, des chercheurs de Georgia Tech publient la description d'un circuit logique programmable neuronal[10]. Cette puce fut la première d'une lignée de circuits de plus en plus complexes à base de transistors à grille flottante, qui permettaient la programmation de la charge des portes de MOSFETs pour modéliser les canaux ioniques des neurones du cerveau. Ce fut ainsi l'un des premiers exemples de réseau programmable de neurones en silicium.

En novembre 2011, un groupe de chercheurs au MIT crée un circuit intégré qui reproduit la communication analogique par ions dans une synapse entre deux neurones, en utilisant 400 transistors et des techniques courantes de fabrication CMOS[11][12].

En juin 2012, des chercheurs en spintronique à l'Université Purdue présentent un article sur la conception d'une puce neuromorphique à partir de vannes de spin latérales et de memristors. Selon eux, cette architecture fonctionne de la même manière que les neurones, et peut donc être utilisée pour tester des méthodes de reproduction des processus cérébraux. Par ailleurs, ces puces sont significativement plus économes en énergie que les modèles conventionnels[13].

Des recherches sur les memristors de Mott aux HP Labs ont montré que, s'ils peuvent être non-volatiles, leur comportement volatile observé à des températures significativement inférieures à la température de transition de phase peut être exploité pour fabriquer un neuristor[14], appareil biologiquement inspiré reproduisant le comportement d'un neurone. En septembre 2013, les chercheurs associés présentent des modèles et des simulations montrant comment le développement de potentiels d'action (spikes) dans ces neuristors peut être utilisé pour former les composants nécessaires à une machine de Turing[15].

Neurogrid, construit par l'équipe Brains in Silicon de l'Université Stanford[16], est un exemple de hardware conçu sur des principes d'ingénierie neuromorphique. Ce circuit imprimé est composé de 16 puces spécifiques, appelées NeuroCores. Chaque NeuroCore permet d'émuler le fonctionnement de 256 x 256 neurones, soit un total dépassant le million de neurones émulés, avec une très grande efficacité énergétique. Ces neurones sont connectés par un circuit numérique pensé pour optimiser le flux d'impulsions[17][18].

Un autre projet de recherche ayant des répercussions importantes en ingénierie neuromorphique est le Human Brain Project, qui a pour objectif de simuler un cerveau humain complet dans un super ordinateur en utilisant des données biologiques. Le projet est porté par une équipe de chercheurs en neurosciences, en médecine, et en informatique[19]. Selon Henry Makram, son co-directeur, ce projet vise à jeter les bases d'une infrastructure de recherche permettant d'explorer et de mieux comprendre le cerveau et ses pathologies, et d'utiliser ces connaissances pour développer de nouvelles technologies de calcul. Le projet se décline en trois objectifs principaux, que sont : mieux comprendre comment les différents composants du cerveau s'agencent et travaillent ensemble, comprendre comment objectivement diagnostiquer et traiter les maladies cérébrales, et utiliser cette nouvelle compréhension du cerveau humain pour développer des ordinateurs neuromorphiques. Le constat que la simulation d'un cerveau humain complet nécessite un superordinateur des milliers de fois plus puissant que les machines actuelles encourage le développement d'ordinateurs neuromorphiques[20]. La Commission Européenne a alloué plus d'un milliard d'euros à ce projet[21].

Parmi les autres projets de recherche ayant des implications en ingénierie neuromorphique, on peut citer la BRAIN Initiative du gouvernement américain ou encore la puce TrueNorth d'IBM[22]. D'autres dispositifs neuromorphiques ont également été développés en utilisant des nanocristaux, des nanofils, et des polymères conducteurs[23].

Intel dévoile sa puce neuromorphique de recherche, dénommée "Loihi", en octobre 2017. Grâce à un réseau de neurones impulsionnel (spiking neural network ou SNN) asynchrone, cette puce permet des calculs parallèles à fine granularité, qui rendent l'apprentissage et l'inférence hautement efficaces[24].

En mars 2019, Brainchip dévoile Akida, un processeur NSoC (Neuromorphic System on Chip) basé lui aussi sur des SNNs et revendiquant une efficacité 100 fois supérieure aux puces des concurrents Intel et IBM, avec 1,2 million de neurones et 10 milliards de synapses[25].

Considérations éthiques[modifier | modifier le code]

Si le concept interdisciplinaire d'ingénierie neuromorphique est relativement récent, on retrouve autour de ces systèmes de nombreuses préoccupations éthiques déjà soulevées dans le développement de robots humanoïdes, et de l'intelligence artificielle en général. Toutefois, le fait que les systèmes neuromorphiques sont spécifiquement conçus pour imiter un cerveau humain donne naissance à certaines questions éthiques spécifiques à leur usage.

Préoccupations démocratiques[modifier | modifier le code]

D'importantes limitations éthiques imposées à l'ingénierie neuromorphiques peuvent trouver leur origine dans la perception publique. Un sondage mené en 2011 par la Commission Européenne, Eurobaromètre spécial 382: Attitudes du public envers les robots, montre que 60% des citoyens de l'Union Européenne étaient favorables à une interdiction des robots dans l'accompagnement des enfants, des personnes âgées et des personnes handicapées. De plus, 34% étaient favorables à une interdiction des robots dans le domaine de l'éducation, 27% dans la santé, et 20% dans les loisirs. La Commission Européenne considère ces domaines comme particulièrement "humains". Le rapport cite une préoccupation publique accrue à l'égard des robots capables d'imiter ou répliquer des fonctions humaines, catégorie dans laquelle l'ingénierie neuromorphique se situe par définition[26].

Ces préoccupations autour de l'ingénierie neuromorphique gagneront probablement encore en importance et en visibilité à l'avenir. La Commission Européenne a trouvé que les citoyens de l'UE âgés de 15 à 24 ans étaient plus susceptibles de voir dans les robots l'aspect "humanoïde" (par rapport à l'aspect "outil") que les citoyens de l'UE âgés de plus de 55 ans. Devant une image de robot présenté comme humanoïde, 75% des citoyens de l'UE âgés de 15 à 24 ans affirmaient que cela correspondait à leur idée d'un robot, contre 57% des plus de 55 ans. La nature humanoïde des systèmes neuromorphiques pourrait ainsi les classer dans une des catégories de robots que de nombreux citoyens de l'UE souhaiteraient voir interdits dans le futur[26].

Personnalité juridique[modifier | modifier le code]

Avec le développement de systèmes neuromorphiques de plus en plus avancés, certains intellectuels se sont prononcés pour l'attribution d'une personnalité juridique, et des droits subséquents, à ces systèmes. Si le cerveau est ce qui donne aux humains leur statut de personne, jusqu'à quel point un système neuromorphique doit-il imiter le cerveau humain pour gagner les droits des personnes ? Certains critiques du développement technologique du Human Brain Project, dont l'objectif est de progresser dans le calcul neuro-inspiré, ont avancé que le progrès en informatique neuromorphique pourrait amener à une forme de conscience ou de personnalité des machines[27]. Si de tels systèmes devaient être traités comme des personnes, poursuivent ces critiques, alors de nombreuses tâches effectuées en utilisant de systèmes neuromorphiques, y compris l'acte d'arrêt d'un système neuromorphique, deviendraient moralement inacceptables, ces actes violant l'autonomie des systèmes neuromorphiques[28].

Toutefois, un certain scepticisme conduit d'autres intellectuels à soutenir qu'il est impossible légalement d'attribuer une personnalité électronique, qui serait le concept de personnalité juridique s'appliquant potentiellement aux technologies neuromorphiques. Dans une lettre signée par 285 experts en droit, robotique, médecine et éthique s'opposant une proposition de la Commission Européenne de considérer les "robots intelligents" comme des personnes juridiques, les auteurs écrivent : "Le statut légal pour un robot ne saurait dériver du modèle de personne physique, puisque le robot disposerait alors de droits de l'homme, comme le droit à la dignité, le droit à l'intégrité, le droit à la rémunération ou le droit à la citoyenneté, s'opposant ainsi directement aux droits humains. Ce serait en contradiction avec la Charte des droits fondamentaux de l'Union Européenne, et avec la Convention européenne des droits de l'homme[29].

Propriété intellectuelle[modifier | modifier le code]

Il existe un débat légal très actif autour de la propriété intellectuelle pour l'intelligence artificielle. Dans l'affaire Acohs Pty Ltd v. Ucorp Pty Ltd, le juge Christopher Jessup de la Cour Fédérale d'Australie a déterminé que le code source des fiches de données de sécurité ne saurait faire l'objet de copyright, ayant été généré par une interface logicielle plutôt que par un auteur humain[30]. La même question s'applique aux systèmes neuromorphiques : si un système neuromorphique imite avec succès le cerveau humain et produit une œuvre originale, qui peut légitimement prétendre à la propriété intellectuelle de l'œuvre ?

Systèmes neuromemristifs[modifier | modifier le code]

Le systèmes neuromemristifs sont une sous-classe des systèmes informatiques neuromorphiques qui se concentrent sur l'utilisation de memristors pour mettre en œuvre la neuroplasticité. Tandis que l'ingénierie neuromorphique se focalise sur l'imitation des comportements biologiques, les systèmes neuromemristifs lui préfèrent l'abstraction[31]. Un système neuromemristif peut, par exemple, remplacer les détails du comportement d'un micro-circuit cortical par un modèle abstrait de réseau de neurones[32].

Il existe plusieurs fonctions logiques à seuil neuro-inspirées[6] et implémentées grâce aux memristors (donnant lieu au champ de la Memristor Threshold Logic), ayant trouvé des applications dans la reconnaissance de motifs. Parmi les applications répertoriées, on peut notamment citer la reconnaissance vocale[33], la reconnaissance faciale[34], ou encore la reconnaissance d'objets[35]. De telles fonctions logiques peuvent également être utilisées pour remplacer les portes logiques numériques conventionnelles[36].

Pour des circuits memristifs passifs idéaux, il est possible de dériver une équation différentielle de l'évolution de la mémoire interne du circuit[37] :

Cette équation est fonction des propriétés du circuit memristif physique ainsi que des sources externes. Dans la formule ci-dessus, est la constante d'échelle temporelle « d'oubli », et est le ratio entre les valeurs on et off des résistances limites des memristors, est le vecteur des sources du circuit et est un projecteur sur les boucles fondamentales du circuit. Le vecteur et la matrice diagonale représentent les valeurs internes des memristors, comprises entre 0 et 1. Cette équation requiert ainsi l'ajout de contraintes supplémentaires sur les valeurs des mémoires pour être fiable.

Voir aussi[modifier | modifier le code]

Références[modifier | modifier le code]

  1. (en) Don Monroe, « Neuromorphic computing gets ready for the (really) big time », Communications of the ACM, vol. 57, no 6,‎ , p. 13–15 (DOI 10.1145/2601069, lire en ligne, consulté le )
  2. W S Zhao, G Agnus, V Derycke et A Filoramo, « Nanotube devices based crossbar architecture: toward neuromorphic computing », Nanotechnology, vol. 21, no 17,‎ , p. 175202 (ISSN 0957-4484 et 1361-6528, DOI 10.1088/0957-4484/21/17/175202, lire en ligne, consulté le )
  3. The Human Brain Project SP 9: Neuromorphic Computing Platform sur YouTube
  4. « Carver Mead | Home », sur www.carvermead.caltech.edu (consulté le )
  5. C. Mead, « Neuromorphic electronic systems », Proceedings of the IEEE, vol. 78, no 10,‎ , p. 1629–1636 (ISSN 0018-9219, DOI 10.1109/5.58356, lire en ligne, consulté le )
  6. a et b Akshay Kumar Maan, Deepthi Anirudhan Jayadevi et Alex Pappachen James, « A Survey of Memristive Threshold Logic Circuits », IEEE Transactions on Neural Networks and Learning Systems, vol. 28, no 8,‎ , p. 1734–1746 (ISSN 2162-237X et 2162-2388, DOI 10.1109/TNNLS.2016.2547842, arXiv 1604.07121, lire en ligne, consulté le )
  7. (en) Sparsh Mittal et Sumanth Umesh, « A Survey of Spintronic Architectures for Processing-in-Memory and Neural Networks », Journal of Systems Architecture,‎ (ISSN 1383-7621, lire en ligne, consulté le )
  8. Y. Zhou et S. Ramanathan, « Mott Memory and Neuromorphic Devices », Proceedings of the IEEE, vol. 103, no 8,‎ , p. 1289–1310 (ISSN 0018-9219, DOI 10.1109/JPROC.2015.2431914, lire en ligne, consulté le )
  9. (en) John C. Gallagher et Sanjay K. Boddhu, « Qualitative Functional Decomposition Analysis of Evolved Neuromorphic Flight Controllers », sur Applied Computational Intelligence and Soft Computing, (DOI 10.1155/2012/705483, consulté le )
  10. E. Farquhar, C. Gordon et P. Hasler, « A field programmable neural array », 2006 IEEE International Symposium on Circuits and Systems,‎ , p. 4 pp.–4117 (DOI 10.1109/ISCAS.2006.1693534, lire en ligne, consulté le )
  11. « MIT creates "brain chip" - ExtremeTech », sur www.extremetech.com (consulté le )
  12. (en) Kuan Zhou et Chi-Sang Poon, « Neuromorphic Silicon Neurons and Large-Scale Neural Networks: Challenges and Opportunities », Frontiers in Neuroscience, vol. 5,‎ (ISSN 1662-453X, PMID 21991244, PMCID PMC3181466, DOI 10.3389/fnins.2011.00108, lire en ligne, consulté le )
  13. (en) Kaushik Roy, Georgios Panagopoulos, Charles Augustine et Mrigank Sharad, « Proposal For Neuromorphic Hardware Using Spin Devices », .
  14. (en) R. Stanley Williams, Gilberto Medeiros-Ribeiro et Matthew D. Pickett, « A scalable neuristor built with Mott memristors », Nature Materials, vol. 12, no 2,‎ , p. 114–117 (ISSN 1476-4660, DOI 10.1038/nmat3510, lire en ligne, consulté le )
  15. Matthew D Pickett et R Stanley Williams, « Phase transitions enable computational universality in neuristor-based cellular automata », Nanotechnology, vol. 24, no 38,‎ , p. 384002 (ISSN 0957-4484 et 1361-6528, DOI 10.1088/0957-4484/24/38/384002, lire en ligne, consulté le )
  16. B. V. Benjamin, P. Gao, E. McQuinn et S. Choudhary, « Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations », Proceedings of the IEEE, vol. 102, no 5,‎ , p. 699–716 (ISSN 0018-9219, DOI 10.1109/JPROC.2014.2313565, lire en ligne, consulté le )
  17. (en) M. Mitchell Waldrop, « Neuroelectronics: Smart connections », Nature News, vol. 503, no 7474,‎ , p. 22 (DOI 10.1038/503022a, lire en ligne, consulté le )
  18. B. V. Benjamin, P. Gao, E. McQuinn et S. Choudhary, « Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations », Proceedings of the IEEE, vol. 102, no 5,‎ , p. 699–716 (ISSN 0018-9219, DOI 10.1109/JPROC.2014.2313565, lire en ligne, consulté le )
  19. « Partners », sur www.humanbrainproject.eu (consulté le )
  20. « Human Brain Project Home », sur www.humanbrainproject.eu (consulté le )
  21. « Overview », sur www.humanbrainproject.eu (consulté le )
  22. (en) Dharmendra S. Modha, Rajit Manohar, William P. Risk et Myron D. Flickner, « A million spiking-neuron integrated circuit with a scalable communication network and interface », Science, vol. 345, no 6197,‎ , p. 668–673 (ISSN 0036-8075 et 1095-9203, PMID 25104385, DOI 10.1126/science.1254642, lire en ligne, consulté le )
  23. (en) Jessamyn Fairfield, « Smarter machines », Physics World, vol. 30, no 3,‎ , p. 33–36 (ISSN 2058-7058, DOI 10.1088/2058-7058/30/3/36, lire en ligne, consulté le )
  24. M. Davies, N. Srinivasa, T. Lin et G. Chinya, « Loihi: A Neuromorphic Manycore Processor with On-Chip Learning », IEEE Micro, vol. 38, no 1,‎ , p. 82–99 (ISSN 0272-1732, DOI 10.1109/MM.2018.112130359, lire en ligne, consulté le )
  25. (en) « Akida Neuromorphic System-on-Chip : », sur BrainChip Holdings Ltd. (consulté le )
  26. a et b Commission Européenne (Septembre 2012), "Special Eurobarometer 382: Public Attitudes Towards Robots"
  27. Christine Aicardi, B. Tyr Fothergill, Stephen Rainey et Bernd Carsten Stahl, « Accompanying technology development in the Human Brain Project: From foresight to ethics management », Futures, futures of research in catastrophic and existential risk, vol. 102,‎ , p. 114–124 (ISSN 0016-3287, DOI 10.1016/j.futures.2018.01.005, lire en ligne, consulté le )
  28. (en) Daniel Lim, « Brain simulation and personhood: a concern with the Human Brain Project », Ethics and Information Technology, vol. 16, no 2,‎ , p. 77–89 (ISSN 1572-8439, DOI 10.1007/s10676-013-9330-5, lire en ligne, consulté le )
  29. « Robotics Openletter | Open letter to the European Commission » (consulté le )
  30. (en) Lavan, « Copyright in source code and digital products », sur Lavan (consulté le )
  31. « 002.08 N.I.C.E. Workshop 2014: Towards Intelligent Computing with Neuromemristive Circuits and Systems - Feb. 2014 », sur digitalops.sandia.gov (consulté le )
  32. C. Merkel et D. Kudithipudi, « Neuromemristive Extreme Learning Machines for Pattern Classification », 2014 IEEE Computer Society Annual Symposium on VLSI,‎ , p. 77–82 (DOI 10.1109/ISVLSI.2014.67, lire en ligne, consulté le )
  33. A.K. Maan, A.P. James et S. Dimitrijev, « Memristor pattern recogniser: isolated speech word recognition », Electronics Letters, vol. 51, no 17,‎ , p. 1370–1372 (ISSN 0013-5194 et 1350-911X, DOI 10.1049/el.2015.1428, lire en ligne, consulté le )
  34. Akshay Kumar Maan, Dinesh S. Kumar et Alex Pappachen James, « Memristive Threshold Logic Face Recognition », Procedia Computer Science, 5th Annual International Conference on Biologically Inspired Cognitive Architectures, 2014 BICA, vol. 41,‎ , p. 98–103 (ISSN 1877-0509, DOI 10.1016/j.procs.2014.11.090, lire en ligne, consulté le )
  35. A. K. Maan, D. S. Kumar, S. Sugathan et A. P. James, « Memristive Threshold Logic Circuit Design of Fast Moving Object Detection », IEEE Transactions on Very Large Scale Integration (VLSI) Systems, vol. 23, no 10,‎ , p. 2337–2341 (ISSN 1063-8210, DOI 10.1109/TVLSI.2014.2359801, arXiv 1410.1267, lire en ligne, consulté le )
  36. A. P. James, L. R. V. J. Francis et D. S. Kumar, « Resistive Threshold Logic », IEEE Transactions on Very Large Scale Integration (VLSI) Systems, vol. 22, no 1,‎ , p. 190–195 (ISSN 1063-8210, DOI 10.1109/TVLSI.2012.2232946, arXiv 1308.0090, lire en ligne, consulté le )
  37. Caravelli, « The complex dynamics of memristive circuits: analytical results and universal slow relaxation », Physical Review E, vol. 95, no 2,‎ , p. 022140 (PMID 28297937, DOI 10.1103/PhysRevE.95.022140, Bibcode 2017PhRvE..95b2140C, arXiv 1608.08651)