Les réseaux neuronaux traditionnels seront dépassés par l’intelligence artificielle qui économise l’énergie et s’appuie sur la physique

Découverte d’une nouvelle ère informatique où la physique joue un rôle essentiel dans la création d’une IA plus efficace

L’intelligence artificielle (IA) a transformé notre monde numérique, mais elle a un coût énergétique élevé. La recherche d’une méthode d’IA plus économe en énergie a conduit les scientifiques de l’Institut Max Planck à une découverte révolutionnaire, susceptible de remodeler l’avenir de l’IA.

Les systèmes d’IA tels que le GPT-3, bien que révolutionnaires, consomment de grandes quantités d’énergie. Open AI, responsable de la création de ChatGPT, n’a pas communiqué la consommation d’énergie exacte de la formation de GPT-3. Toutefois, les estimations suggèrent qu’elle équivaut à la consommation annuelle de 200 ménages allemands de taille importante. Et si GPT-3 est capable de distinguer si « deep » est suivi de « sea » ou « learning », il peine à saisir le sens profond des mots.

L’informatique neuromorphique : La nouvelle vague

Alors que les IA actuelles s’appuient sur des ordinateurs numériques, les chercheurs explorent l’informatique neuromorphique pour réduire la consommation d’énergie. Contrairement à son nom, l’informatique neuromorphique ne s’aligne pas entièrement sur les réseaux neuronaux artificiels. Les systèmes d’IA traditionnels imitent les processus cérébraux mais dépendent d’ordinateurs numériques, séparant la mémoire et le processeur. Comme le souligne Florian Marquardt, directeur de l’Institut Max Planck, le transfert de données entre ces composants consomme une part importante de l’énergie.

Notre cerveau traite les pensées en parallèle, évitant ainsi le traitement séquentiel que l’on observe dans les ordinateurs modernes. Au lieu de séparer la mémoire et les processeurs, nos synapses combinent les deux fonctions. Les ordinateurs actuels ne résisteraient pas aux tests d’évolution en raison de leur consommation d’énergie inefficace et des problèmes de surchauffe potentiels. D’où l’intérêt des systèmes neuromorphiques, qui utilisent des composants lumineux jouant à la fois le rôle de commutateur et de mémoire.

La machine physique à apprentissage automatique

Marquardt, en collaboration avec Víctor López-Pastor, propose un concept qui change la donne : une machine auto-apprenante. Ce système améliore l’efficacité en s’optimisant lui-même sans rétroaction externe, ce qui permet d’économiser non seulement de l’énergie, mais aussi du temps. Marquardt insiste sur le fait qu’il n’est pas nécessaire de connaître le processus exact, mais qu’il doit être réversible et non linéaire pour fonctionner efficacement.

Seuls les processus non linéaires, qui gèrent des transformations complexes de l’entrée vers la sortie, conviennent. Une analogie simple : une boule de flipper solitaire se déplaçant sur une plaque démontre une action linéaire. Mais lorsqu’elle entre en collision avec une autre boule de flipper, la dynamique devient non linéaire.

Le duo López-Pastor et Marquardt collabore actuellement au développement d’un ordinateur neuromorphique optique qui exploite la puissance des ondes lumineuses superposées. Leur objectif est de lancer, d’ici trois ans, la première machine physique à auto-apprentissage, qui pourrait traiter plus de données et compter plus de synapses que les réseaux neuronaux d’aujourd’hui. La demande de réseaux neuronaux plus puissants ne cessant de croître, le besoin de solutions de remplacement économes en énergie va s’intensifier. Marquardt conclut : « Les machines physiques auto-apprenantes offrent une voie prometteuse pour faire progresser l’IA. »

yogaesoteric
21 octobre 2023