Des chercheurs de l'Université d'État de l'Oregon, dirigés par le professeur adjoint Larry Cheng, ont développé un nouveau capteur d'imagerie inspiré du fonctionnement du cerveau humain. Publié récemment dans la revue Advanced Functional Materials, ce dispositif peut à la fois capturer des images, stocker brièvement les données lumineuses et les effacer à la demande. Cette capacité de mémorisation et d'oubli programmables représente une avancée majeure pour l'intelligence artificielle en périphérie de réseau, en réduisant considérablement la consommation énergétique des systèmes autonomes. Contrairement aux capteurs traditionnels qui transfèrent immédiatement les données vers une mémoire externe, ce nouveau système intègre directement la détection et le stockage. Il repose sur une combinaison unique : une couche organique transparente absorbe la lumière et génère des charges électriques, tandis qu'un canal à transistors en oxyde de gallium-indium-zinc (IGZO) gère le transport des électrons. Cette séparation des fonctions permet aux charges positives de rester temporairement piégées près du canal, créant ainsi une mémoire optique à court terme. La durée de conservation de l'information est entièrement contrôlable par une tension électrique : une polarité positive accélère la décharge et efface rapidement les données, tandis qu'une polarité négative prolonge la rétention jusqu'à plusieurs heures. Cette architecture résout le problème classique de l'encombrement lié aux transferts de données incessants entre le capteur, la mémoire et le processeur. En permettant un traitement de base directement sur le capteur, le dispositif optimise sa réactivité et son efficacité énergétique. Il s'adapte automatiquement aux scénarios d'utilisation : une mémoire courte convient au suivi d'objets rapides comme un drone, tandis qu'une mémoire longue est privilégiée pour la surveillance d'activités lentes. Lors des tests, le prototype à matrice 4x4 pixels a fonctionné avec une consommation extrêmement faible, inférieure à 5 microwatts par centimètre carré, et a atteint un taux de précision supérieur à 90 % lors de l'entraînement d'un réseau de neurones sur des données manuscrites. Bien que prometteuse, cette technologie en est encore à sa phase de validation matérielle. Les équipes prévoient désormais d'élargir la taille des matrices et d'intégrer le capteur dans des prototypes complets pour tester ses capacités en temps réel. À terme, cette approche hybride pourrait révolutionner l'électronique visuelle en remplaçant progressivement les systèmes conventionnels, offrant ainsi une base plus économe en énergie pour la robotique, les drones et les capteurs intelligents.