Combiner calcul et mémoire dans une seule unité avec une électronique basse consommation | Produit phare du graphène
Des chercheurs de Graphene Flagship Partners cole Polytechnique Fdrale de Lausanne (EPFL, Suisse) et de l’Université de Pise (Italie), en collaboration avec l’Université de Messine (Italie) ont développé un modèle inspiré du cerveau à faible puissance basé sur du disulfure de molybdène semi-conducteur ultra-mince (MoS2). Cela inclut les circuits qui se comportent comme des neurones artificiels (perceptrons) et peuvent potentiellement surpasser leurs homologues en silicium.
Le transfert de données entre le processeur et la mémoire d’un ordinateur est responsable de plus d’un tiers de toute l’énergie utilisée par nos appareils technologiques. Cette perte de temps et d’énergie est l’une des limites de l’architecture informatique actuelle à base de silicium, où la logique et la mémoire résident dans des composants différents. Les chercheurs étudient de nouveaux matériaux qui pourraient révolutionner nos ordinateurs, en construisant des processeurs qui fonctionnent également comme des dispositifs de stockage de mémoire. Ces systèmes, qui imitent le fonctionnement des neurones, pourraient accélérer les applications gourmandes en calculs, telles que le traitement d’images, l’apprentissage automatique et les réseaux de neurones artificiels.
S’appuyant sur des recherches antérieures publiées dans La nature en 2020, l’équipe Graphene Flagship a conçu un processeur qui comprend un réseau de dispositifs de mémoire à grille flottante capables de piéger des électrons pendant de longues périodes à l’aide de MoS monocouche2 comme canal actif. Les transistors à grille flottante sont déjà présents dans les systèmes de mémoire flash, utilisés dans les appareils photo, les smartphones et les ordinateurs. Les nouveaux transistors à base de MoS2 peut être beaucoup plus petit et consommer moins d’énergie. Étant si minces, ils sont également plus sensibles que le silicium aux différences dans le nombre d’électrons entrant et sortant de la grille flottante. En ajoutant ou en supprimant des électrons de la grille flottante, l’équipe Graphene Flagship a atteint 16 niveaux de conductivité différents dans le MoS2 canaliser. Cela permet d’accéder à de plus grandes possibilités par rapport aux dispositifs de mémoire à base de silicium, où il est difficile de programmer plus de deux niveaux : conducteur ou non conducteur.
Les chercheurs ont évalué les performances des appareils dans la reconnaissance des nombres sur les écrans à cristaux liquides (LCD), comme les chiffres des montres numériques, et ont obtenu une précision expérimentale allant jusqu’à 91,5 %. Pour ce faire, l’équipe a utilisé un soi-disant réseau de neurones artificiels, un circuit qui ressemble à un amas de neurones connectés les uns aux autres. La capacité de MoS2 des mémoires pour stocker différents niveaux de conductivité électrique ont été utilisées pour imiter la force des connexions entre les neurones.
Nous sommes allés au-delà de la simulation informatique et avons produit un circuit de travail avec des matériaux ultra-minces de haute qualité, explique Andras Kis de Graphene Flagship Partner EPFL, qui a dirigé l’étude.
La reconnaissance de ces nombres numériques peut être considérée comme l’une des formes les plus simples de reconnaissance d’images basée sur l’IA. L’équipe Graphene Flagship a également montré que, si ces circuits étaient mis à niveau et formés pour reconnaître des objets spécifiques sur des photos régulières, ils pourraient consommer près de 40 fois moins d’énergie que les circuits à base de silicium à la pointe de la technologie.
Ce processeur a été construit avec des dispositifs de mémoire de seulement 180 nanomètres de long et l’équipe affirme qu’ils pourraient les réduire à 50 nanomètres sans perte significative de performances. Ici encore ce MoS2-un dispositif compatible pourrait battre le silicium : réduire la taille des dispositifs de mémoire au silicium est difficile car les électrons ont tendance à s’échapper de la grille flottante.
Les matériaux en couches, en particulier les formes polycristallines ou amorphes de BN et les dichalcogénures de métaux de transition, sont désormais sérieusement envisagés pour développer des dispositifs memristifs innovants, avec un impact potentiel sur le stockage et le traitement de l’information à faible énergie. Ce travail est une nouvelle étape dans la fabrication de dispositifs économes en énergie, imitant les neurones artificiels, surpassant les dispositifs en silicium concurrents et ouvrant la voie aux futures architectures informatiques neuromorphiques, a déclaré Stephan Roche, responsable phare du graphène de la division Enabling Science & Materials.
Andrea C. Ferrari, responsable des sciences et technologies du Graphene Flagship, ajoute : Les dispositifs informatiques neuromorphiques à faible consommation d’énergie sont au centre des activités du Graphene Flagship qui se concentrent sur l’électronique à base de graphène et de matériaux connexes. Ce travail crée une base solide sur laquelle construire les efforts futurs pour traduire ces résultats en dispositifs innovants, et pour la phase Horizon Europe du Graphene Flagship.
Références
Migliato Marega, Guilherme, et al. « Perceptron de réseau de neurones artificiels à faible puissance basé sur une monocouche MoS2. » ACS Nano (2022). https://pubs.acs.org/doi/abs/10.1021/acsnano.1c07065
Marega, Guilherme Migliato, et al. « Logic-in-memory basé sur un semi-conducteur atomiquement mince. »La nature587.7832 (2020) : 72-77. https://www.nature.com/articles/s41586-020-2861-0