De nouvelles puces de mémoire contrôlées par la lumière et les aimants rendent les ordinateurs IA moins gourmands en énergie

Des chercheurs américains développent un nouveau type de puce mémoire capable à la fois de stocker des informations et d’effectuer des calculs avec une grande rapidité et efficacité.

Chip bộ nhớ mới được điều khiển bằng ánh sáng và nam châm giúp máy tính AI ít ngốn điện hơn

Les puces de mémoire magnéto-optiques pourraient aider à réduire la consommation d'énergie pour libérer de l'énergie pour l'IA, affirment les chercheurs. (Source : Live Science)

Il s’agit d’un nouveau type de puce mémoire ultra-rapide (ou cellule mémoire) qui utilise à la fois des signaux optiques et des aimants pour traiter et stocker efficacement les données.

Ces cellules mémoire permettent aux utilisateurs d'exécuter des calculs à grande vitesse, a déclaré l'équipe dans la revue Nature Photonics. Des vitesses de traitement plus rapides et une consommation d’énergie plus faible faciliteront la mise à l’échelle des centres de données pour le fonctionnement des systèmes d’intelligence artificielle (IA).

« Les centres de données dotés de milliers d’unités de traitement graphique (GPU) nécessitent beaucoup d’énergie pour fonctionner », a déclaré Nathan Youngblood, co-auteur de l’étude et ingénieur électricien et informatique à l’Université de Pittsburgh. La solution consiste souvent à acheter davantage de GPU et à consommer davantage d'énergie. Si l'optique peut résoudre ce problème plus efficacement et plus rapidement, elle réduira la consommation d'énergie et le système d'apprentissage automatique fonctionnera également plus rapidement.

Ces nouvelles cellules de mémoire utilisent des champs magnétiques pour diriger un signal lumineux dans le sens des aiguilles d'une montre ou dans le sens inverse des aiguilles d'une montre à travers un résonateur annulaire, un composant qui améliore la lumière à certaines longueurs d'onde et va vers l'un des deux ports de sortie. En fonction de l'intensité lumineuse à chaque port de sortie, la cellule mémoire peut coder un nombre de 0 à 1, ou de 0 à moins 1. Contrairement aux cellules mémoire traditionnelles qui codent uniquement les valeurs 0 ou 1 dans un bit d'information, la nouvelle cellule mémoire peut coder un certain nombre de valeurs non entières, permettant de stocker jusqu'à 3,5 bits par cellule mémoire.

Ces signaux lumineux dans le sens inverse des aiguilles d’une montre et dans le sens des aiguilles d’une montre sont comme « deux coureurs qui courent sur la même piste, mais ils courent dans des directions opposées, avec le vent toujours devant l’un et derrière l’autre », explique l’ingénieur Youngblood.

Les nombres obtenus à partir de la course autour de ce résonateur annulaire peuvent être utilisés pour renforcer les connexions entre les nœuds d'un réseau neuronal artificiel. Ils aident les algorithmes d’apprentissage automatique à traiter les données de manière similaire au cerveau humain, a-t-il déclaré.

Contrairement aux ordinateurs traditionnels qui effectuent des calculs dans l'unité centrale de traitement puis envoient les résultats à la mémoire, les nouvelles cellules mémoire effectuent des calculs à grande vitesse directement à l'intérieur de la matrice mémoire. Youngblood affirme que le calcul en mémoire est particulièrement utile pour les applications comme l'intelligence artificielle qui doivent traiter beaucoup de données très rapidement.

L’équipe a également démontré la durabilité de ce type de puce mémoire magnéto-optique. Les chercheurs affirment avoir effectué plus de 2 milliards d'écritures et d'effacements sur ces puces sans remarquer aucune dégradation des performances, soit une amélioration de 1 000 fois par rapport aux technologies de mémoire précédentes. Les clés USB classiques sont limitées à 10 000 à 100 000 cycles d'écriture et d'effacement, a déclaré M. Youngblood.

À l’avenir, Youngblood et ses collègues espèrent ajouter davantage de ces cellules mémoire aux ordinateurs et tester des calculs plus avancés.

Cette technologie pourrait contribuer à réduire la quantité d’électricité nécessaire au fonctionnement des systèmes d’intelligence artificielle, a-t-il déclaré.

Source