Des spins pour les réseaux de neurones

Julie Grollier, Unité Mixte de Physique CNRS/Thales, Palaiseau

 

Le but du calcul neuromorphique est de réduire la consommation électrique de l'intelligence 
artificielle d'un facteur supérieur à 100 en s'inspirant de l'architecture du cerveau. Le défi 
est de créer de nouveaux nano-composants réalisant les fonctions synaptiques et neurales, et 
d’en assembler des centaines de millions en systèmes capables d'exécuter des algorithmes 
d'apprentissage automatique à l’état de l’art. De plus en plus de chercheurs étudient comment 
de tels réseaux neuronaux physiques pourraient être assemblés en tirant parti de leurs propriétés 
physiques, et comment ils pourraient apprendre à effectuer des tâches cognitives en utilisant 
directement des principes physiques, tels que la minimisation de l'énergie (1).

Je vais montrer dans mon exposé que les systèmes de spin peuvent aider à résoudre ces 
défis (2, 3). Dans la première partie, je montrerai que nous pouvons exploiter la capacité des 
dispositifs spintroniques à transmettre et à traiter des signaux de radiofréquence pour former 
des réseaux de neurones matériels. Dans la seconde partie, je présenterai nos avancées sur 
conception d'algorithmes basés sur des réseaux de spins d’Ising qui apprennent en minimisant 
à la fois leur énergie et l'erreur du réseau, avec une très grande précision (4).

 

 

1.            D. Marković, A. Mizrahi, D. Querlioz, J. Grollier, Nature Reviews Physics, 1–12 (2020).
2.            J. Torrejon et al., Nature. 547, 428–431 (2017).
3.            M. Romera et al., Nature. 563, 230 (2018).
4.            M. Ernoult, J. Grollier, D. Querlioz, Y. Bengio, B. Scellier, in Advances in Neural Information Processing Systems 32, pp. 7081–7091 (2019).