Une équipe d'ingénieurs de l'Université de Californie à San Diego a développé une nouvelle plateforme matérielle inspirée du fonctionnement du cerveau, visant à résoudre les limitations énergétiques et de vitesse actuelles de l'intelligence artificielle. Ce travail, publié le 9 mars dans la revue Nature Nanotechnology, propose une architecture de calcul neuromorphe qui intègre mémoire et traitement sur la même puce. Contrairement aux ordinateurs classiques où ces fonctions sont séparées, obligeant les données à voyager constamment et à consommer d'importantes ressources, ce nouveau dispositif permet le stockage et le traitement au même endroit. Contrairement à d'autres technologies neuromorphes qui modélisent des éléments individuels comme des neurones ou des synapses, l'équipe dirigée par le professeur Duygu Kuzum a misé sur l'interaction collective. Le système utilise un matériau quantique appelé nickelate de néodyme dopé à l'hydrogène. Lorsqu'une impulsion de tension est appliquée, les ions hydrogène se déplacent dans le matériau, modifiant sa résistance électrique. Cela confère au système une mémoire temporaire, tandis que des éléments programmables stockent des informations à long terme. Tous les nœuds du réseau sont physiquement connectés via un substrat partagé, ce qui permet à l'activité d'un nœud d'influencer immédiatement les autres, imitant ainsi la façon dont les signaux se propagent dans le cerveau. Cette approche repose sur le calcul spatio-temporel, qui analyse les signaux à la fois dans le temps et à travers les interactions spatiales du réseau. Les signaux entrants sont convertis en impulsions électriques, transformées en motifs complexes internes, puis classées par une seconde couche de jonctions programmables. Les tests réalisés par les chercheurs, bien que basés sur des simulations de données expérimentales, ont donné des résultats prometteurs. Le système a reconnu des chiffres parlés avec une grande précision et, surtout, a détecté les signes précoces de crises d'épilepsie à partir d'ondes cérébrales. Dans ce second cas, l'interaction entre les nœuds a permis de détecter des signaux d'alerte après seulement quelques secondes de données, surpassant les méthodes basées uniquement sur le temps. La technologie se distingue par sa rapidité extrême, opérant en quelques centaines de nanosecondes, et par son efficacité énergétique remarquable, ne consommant qu'environ 0,2 nanojoule par opération. Ces performances laissent entrevoir des applications concrètes pour l'intelligence artificielle en périphérie du réseau, où de petits dispositifs doivent traiter des données localement sans dépendre de grands centres de données. Les secteurs potentiels incluent les dispositifs médicaux portables, les capteurs intelligents, les systèmes de traitement audio et les machines autonomes. Bien que cette avancée soit significative, elle en est encore à ses débuts. Les démonstrations matérielles actuelles se concentrent sur des tâches à petite échelle, tandis que des simulations ont été utilisées pour les applications plus complexes comme la reconnaissance vocale ou la détection d'épilepsie. Les recherches futures viseront à mettre à l'échelle le système, à l'intégrer avec les semi-conducteurs traditionnels et à explorer de nouvelles applications. Ce développement marque une étape importante vers des ordinateurs plus compacts et plus respectueux de l'environnement, capables de suivre l'expansion exponentielle des modèles d'intelligence artificielle.