Afin d’atteindre le edge computing ou les calculs en périphérique des réseaux dont on parle dans de nombreuses applications, notamment les réseaux 5G et l’Internet des objets (IoT), vous devez disposer de beaucoup de puissance de traitement dans des périphériques relativement petits. L’avenir de cette idée consisterait à tirer parti des techniques de calcul de l’intelligence artificielle (IA), pour ce que l’on appelle l’IA at the edge ou l’IA à la périphérie. Alors que certains s’inquiètent de la façon dont les technologues vont s’attaquer à l’IA pour des applications autres que l’informatique traditionnelle – et que d’autres se demandent quel pays aura le dessus dans cette nouvelle frontière – la technologie en est encore à ses débuts.
Mais il semble que le statut, encore trop tôt, soit sur le point de changer un peu. Des chercheurs de l’Université de Sherbrooke à Québec, au Canada, ont réussi à équiper un dispositif de système microélectromécanique (MEMS) avec une forme d’intelligence artificielle, montrant comment pour la première fois, un type quelconque d’IA était inclus dans un dispositif MEMS. Le résultat est une sorte d’informatique neuromorphique qui fonctionne comme le cerveau humain mais dans un appareil de taille microscopique. Cette combinaison permet de traiter les données sur le périphérique lui-même, améliorant ainsi les perspectives pour l’informatique de périphérie (edge computing).
«Nous avions déjà écrit un document l’année dernière montrant théoriquement que MEMS AI pouvait être réalisé», a déclaré Julien Sylvestre, professeur à l’Université de Sherbrooke et coauteur du document de recherche détaillant l’avancement du projet. « Notre dernière avancée consistait à démontrer un appareil capable de le faire en laboratoire. »
La méthode d’intelligence artificielle que les chercheurs ont démontrée dans leurs études, décrite dans le Journal of Applied Physics, s’appelle « reservoir computing ». Julien Sylvestre explique que pour comprendre un peu le reservoir computing, il est nécessaire de comprendre un peu comment les réseaux de neurones artificiels (ANN) fonctionnent. Ces ANN prennent en charge des données via une couche d’entrée, transforment ces données en une couche cachée d’unités de calcul souvent appelées neurones, puis en donnent l’interprétation finale dans une couche de sortie. Le reservoir computing est le plus souvent utilisé sur des entrées qui dépendent du délai, du temps (par opposition à des entrées telles que des images, qui sont statiques).
Le reservoir computing utilise donc un système dynamique piloté par une entrée dépendante du temps. Le système dynamique est choisi pour être relativement complexe, de sorte que sa réponse à l’entrée peut être assez différente de l’entrée elle-même.
En outre, le système est choisi pour avoir plusieurs degrés de liberté pour répondre à l’entrée. En conséquence, l’entrée est «mappée» sur une trajectoire dans un espace de grande dimension, chaque dimension correspondant à l’un des degrés de liberté. Cela crée beaucoup de «richesse» en informations, ce qui signifie qu’il y a eu de nombreuses transformations différentes de l’entrée.
«L’astuce particulière utilisée par le reservoir computing consiste à combiner toutes les dimensions de manière linéaire pour obtenir une sortie qui correspond à ce que nous voulons que l’ordinateur donne comme réponse pour une entrée donnée», a déclaré Julien Sylvestre. « C’est ce que nous appelons la » formation « du reservoir computing. La combinaison linéaire est très simple à calculer, contrairement aux autres approches de l’IA, dans lesquelles on essaierait de modifier le fonctionnement interne du système dynamique pour obtenir le résultat souhaité. ”
Dans la plupart des systèmes informatiques de réservoir computing, le logiciel est le système dynamique. Dans ce travail, le système dynamique est le dispositif MEMS lui-même. Pour réaliser ce système dynamique, l’appareil utilise la dynamique non linéaire de la manière dont un faisceau de silicium très mince oscille dans l’espace. Ces oscillations créent une sorte de réseau de neurones qui transforme le signal d’entrée en un espace dimensionnel supérieur requis pour l’informatique en réseau neuronal.
Julien Sylvestre a expliqué qu’il était difficile de modifier le fonctionnement interne d’un dispositif MEMS, mais que cela n’était pas nécessaire en informatique de réservoir. C’est pourquoi ils ont utilisé cette approche pour effectuer de l’IA dans les MEMS.
«Notre travail montre qu’il est possible d’utiliser les ressources non linéaires dans les MEMS pour faire de l’IA», a déclaré Julien Sylvestre. « C’est une nouvelle façon de construire des dispositifs » intelligemment artificiels « qui peuvent être très petits et efficaces. »
Selon Julien Sylvestre, il est difficile de comparer la puissance de traitement de ce dispositif MEMS à une quantité connue, telle qu’un ordinateur de bureau. «L’ordinateur et nos MEMS fonctionnent très différemment», a-t-il expliqué. «Même si un ordinateur est gros et consomme beaucoup d’énergie (plusieurs dizaines de watts), nos MEMS peuvent tenir sur la pointe d’un cheveu humain et fonctionner avec une puissance de quelques microwatts. Néanmoins, ils peuvent faire des astuces sophistiquées, comme classer les mots parlés – une tâche qui utiliserait probablement 10% [des ressources] d’un ordinateur de bureau. «
Selon Julien Sylvestre, une application possible pour ce MEMS équipé d’un AI pourrait être un MEMS accéléromètre dans lequel toutes les données que l’appareil est en train de collecter sont traitées au sein de l’appareil sans qu’il soit nécessaire de renvoyer ces données à un ordinateur.
Bien que les chercheurs ne se soient pas encore concentrés sur la manière dont ils allaient alimenter ces MEMS, il est à supposer que la faible consommation d’énergie des appareils leur permettrait de fonctionner uniquement avec des collecteurs d’énergie sans batterie. Dans cet esprit, les chercheurs cherchent à appliquer l’approche de l’IA MEMS dans des applications de contrôle de robot et de sensibilisation.
https://savoirs.usherbrooke.ca/handle/11143/11930
