Histoire du matériel informatique

Réseau de neurones artificiels
Les réseaux neuronaux artificiels sont construits sur un paradigme biologique, celui du neurone formel. Le neurone formel est conçu comme un automate doté d'une fonction de transfert qui transforme ses entrées en sortie selon des règles précises. Par exemple, un neurone somme ses entrées, compare la somme résultante à une valeur seuil, et répond en émettant un signal si cette somme est supérieure ou égale à ce seuil (modèle ultra-simplifié du fonctionnement d'un neurone biologique). Ces neurones sont par ailleurs associés en réseaux dont la topologie des connexions est variable ce qui fait que l'efficacité de la transmission des signaux d'un neurone à l'autre peut varier : on parle de « poids synaptique », et ces poids peuvent être modulés par des règles d'apprentissage.
Les réseaux de neurones, en tant que systèmes capables d'apprendre, mettent en œuvre le principe de l'induction, c’est-à-dire l'apprentissage par l'expérience. Par confrontation avec des situations ponctuelles, ils infèrent un système de décision intégré dont le caractère générique est fonction du nombre de cas d'apprentissages rencontrés et de leur complexité par rapport à la complexité du problème à résoudre.
Grâce à leur capacité de classification et de généralisation, les réseaux de neurones sont généralement utilisés dans des problèmes de nature statistique, par exemple :

pour la classification d’espèces ;

reconnaissance de motifs ;

approximation d’une fonction inconnue ;

estimations boursières ;

modélisation de l'apprentissage et amélioration des techniques de l'enseignement ;

en météorologie, pour la classification de conditions atmosphériques et la prévision statistique du temps.

Les réseaux de neurones artificiels ont besoin de cas réels servant d’exemples pour leur apprentissage (on appelle cela la base d'apprentissage). Ces cas doivent être d’autant plus nombreux que le problème est complexe et que sa topologie est peu structurée.

Puces neuromorphiques
Cela fait plusieurs années que le cerveau est la piste de travail de plusieurs ingénieurs informatiques d’Intel. Cette entreprise travaille depuis un bon moment sur les puces neuromorphiques. Concrètement, ce sont des processeurs construits dans des architectures spécialisées, inspirés par le fonctionnement des neurones présents dans notre cerveau. Déjà en 2017, la première puce avait été lancée, dénommée Loihi. À l’époque, cette puce avait fait grand bruit renfermant l’équivalent de 130 000 neurones artificiels et 130 millions de synapses.

Calculateur neuromorphique
En 2019, grâce à son nouveau super-ordinateur (ou système de calcul neuromorphique) nommé Pohoiki Beach, Intel franchit un cap. En additionnant 64 puces Loihi, Intel obtient un total de 8 millions de neurones. Dans le domaine, c’est du jamais vu. Évidemment, à titre de comparaison avec le cerveau humain, la fiche technique apparaît comme relativement fragile : le nôtre abrite 86 milliards de neurones.

Une des cartes Nahuku d'Intel, chacune contenant 8 à 32 processeurs neuromorphiques
Loihi conçus par Intel et interfacée dans un kit de développement "Intel Arria 10 FPGA".
Le dernier système neuromorphique, Poihoiki Beach, annoncé par Intel en juillet 2019
est fait de plusieurs cartes Nahuku et contient au total 64 puces Loihi
(Credit: Tim Herman/Intel Corporation)

Intel continue d’agréger ses processeurs neuromorphiques Loihi afin d'approcher la capacité des cerveaux de petits mammifères avec pour objectif de résoudre presque instantanément et avec peu d’énergie des problèmes difficiles à résoudre avec les puces classiques. Intel annonce en 2020 la disponibilité prochaine de Pohiki Spring qui embarque cette fois pas moins de 768 processeurs Loihi pour offrir un total de 100 millions de neurones numériques à la plate-forme. Multipliant ainsi par 12,5 la puissance de son cerveau numérique.

Mais le défi actuel est purement logiciel : il faut trouver de nouveaux algorithmes et en produire un éventail assez large afin de résoudre beaucoup de problèmes que l’informatique conventionnelle n’arrive pas à traiter de manière efficace. Les puces neuromorphiques n’ont pas, pour l’heure, l'ambition de remplacer nos bons vieux CPU et GPU traditionnels, mais plutôt de les épauler dans les problèmes qu'ils gèrent difficilement.