Newtech

Quand l’IA embarquée n’a besoin que d’énergie solaire

Par Charlotte Mauger, publié le 06 janvier 2025

En utilisant des mémoires non volatiles de type OxRAM ou ReRAM, des chercheurs ont conçu un réseau de neurones (base de toute IA) qui fonctionne à l’énergie solaire, adapté pour des tâches embarquées simples, comme la maintenance prédictive.

L’un des défis pour l’électronique embarquée basée sur l’IA est de disposer d’un apport en énergie suffisant. C’est d’autant plus vrai lorsque le dispositif doit fonctionner en mode autonome, par exemple lorsqu’il est déployé sur des infrastructures afin de surveiller l’état d’usure de pièces. En réponse, des chercheurs d’Aix-Marseille Université, de l’université Paris-Saclay, du CEA et de l’Institut Photovoltaïque d’Île-de-France proposent un système autonome grâce à l’énergie solaire, qui fonctionne même avec un simple éclairage intérieur.

Leur outil repose sur les memristors, des mémoires non volatiles de type OxRAM ou ReRAM. Leur principe de fonctionnement est de créer un chemin de conduction à l’intérieur d’un matériau normalement isolant, en appliquant une tension suffisamment élevée. « Nous passons donc d’une résistance forte dans le matériau à une résistance faible. Ce qui nous permet de coder un 0 ou un 1 (respectivement) », explique Jean-Michel Portal, professeur à Aix-Marseille Université et coauteur de l’étude.
En rapprochant les composants de calcul des mémoires, ces technologies présentent l’avantage de réduire la consommation d’énergie. « On fait des opérations logiques directement dans la mémoire », complète-t-il.

Jean-Michel Portal et ses collègues se sont intéressés aux memristors pour aux moins deux bonnes raisons. « D’abord, les matériaux employés sont les mêmes que ceux utilisés pour pour les circuits intégrés. » Ensuite, la tenue dans le temps de l’information qu’ils stockent : « Notre idée est d’encoder les poids du réseau de neurones une seule fois en amont et de n’utiliser ces puces que pour les lire », précise-t-il.

Contrer la variabilité des memristors

Comme la lecture n’est pas une opération coûteuse en énergie, les chercheurs ont donc envisagé d’alimenter ce réseau de neurones à l’énergie solaire, le rendant ainsi complètement autonome. Mais avant cela, il restait un point à régler : la variabilité des memristors. « Si l’état de basse résistance est bien maîtrisé (variant entre 4 et 6 kΩ), l’état de haute résistance est beaucoup plus dispersé, variant de 20 à 200 kΩ », décrit Jean- Michel Portal.

En conséquence, deux dispositifs – ou un même dispositif programmé deux fois dans l’état de haute résistance – aura des valeurs de résistance différentes. « Or cela diminue la marge d’identification entre basse et haute résistance et donc je peux avoir des erreurs, des 1 qui deviennent des 0. »

Les chercheurs ont donc adopté une approche dite « différentielle » qui consiste à coder un bit sur deux memristors et deux transistors. « Le taux d’erreur est divisé par plusieurs dizaines », annonce le chercheur.

Avec cette idée, ils ont construit un réseau de 32 768 memristors (donc de 16 384 synapses) et l’ont entraîné sur une tâche de reconnaissance d’images. Leurs résultats sont encourageants : le système est aussi précis qu’il soit alimenté sur secteur ou à l’énergie solaire à fort éclairement. « Si je baisse la luminosité, le système est un peu moins précis, mais cela n’impacte que peu le résultat final », rassure- t-il.

Cette preuve de concept leur permet aujourd’hui d’imaginer des applications en edge sur des tâches très simples, par exemple pour surveiller l’évolution d’un phénomène naturel, comme la dégradation d’une pièce dans le temps pour effectuer de la maintenance prédictive. La prochaine étape du travail sera d’ajouter un peu d’apprentissage sur ces puces.

À LIRE AUSSI :