Quand le matériau devient le réseau neuronal : l’IA physique de l’UCLA
← Retour aux actualitésLes réseaux de nanofils d’argent (développés dès 2011) : des fils de quelques nanomètres de diamètre, dont les intersections forment des synapses artificielles. Leur diamètre, de l’ordre du milliardième de mètre, permet une densité de connexions bien supérieure à celle des puces électroniques. Les réseaux de nanoparticules (introduits en 2013) : des particules métalliques ou semi-conductrices dont les interactions électriques reproduisent des comportements collectifs complexes, comme la mémoire ou l’adaptation. Robots industriels : des bras manipulateurs pourraient ajuster leur prise en temps réel en analysant localement les données de leurs capteurs, sans envoyer d’informations vers un serveur distant. Véhicules autonomes : les caméras ou lidars pourraient traiter leurs flux vidéo directement à bord, réduisant la latence pour les décisions critiques (freinage d’urgence, évitement d’obstacles). Satellites : les instruments embarqués pourraient filtrer ou compresser les données avant transmission, évitant de saturer les liaisons avec la Terre.
📑 Sommaire
💡 En 3 points clés
- Les réseaux de nanofils d’argent (développés dès 2011) : des fils de quelques nanomètres de diamètre, dont les intersections forment des synapses artificielles. Leur diamètre, de l’ordre du milliardième de mètre, permet une densité de connexions bien supérieure à celle des puces électroniques.
- Les réseaux de nanoparticules (introduits en 2013) : des particules métalliques ou semi-conductrices dont les interactions électriques reproduisent des comportements collectifs complexes, comme la mémoire ou l’adaptation.
- Robots industriels : des bras manipulateurs pourraient ajuster leur prise en temps réel en analysant localement les données de leurs capteurs, sans envoyer d’informations vers un serveur distant.
Des nanofils qui pensent comme un cerveau
Imaginez un matériau dont la structure interne se réorganise en temps réel pour traiter des données, à l’image d’un réseau de neurones biologiques. C’est précisément ce que développe une équipe de l’UCLA, en s’inspirant des principes de calcul du cortex cérébral. Leur approche, qualifiée de calcul physique (physical computing), repose sur des assemblages auto-organisés de nanofils d’argent ou de nanoparticules, dont les connexions électriques évoluent spontanément pour encoder et traiter l’information.
Contrairement aux puces silicium classiques, où le calcul et la mémoire sont séparés, ces matériaux intègrent les deux fonctions dans leur architecture physique. Les connexions entre les nanofils (ou nanoparticules) jouent le rôle de synapses artificielles : elles se renforcent ou s’affaiblissent en fonction des stimuli électriques, mémorisant ainsi les motifs perçus. Comme le souligne Adam Stieg, chercheur à l’UCLA et co-auteur d’une revue dans Nature Reviews Physics :
> « La plupart des systèmes d’IA traitent le matériel comme une plateforme passive pour exécuter un logiciel. Nous explorons ce qui devient possible quand le matériel lui-même est adaptatif — quand le matériau se réorganise en réponse à l’information et participe à l’apprentissage. »
Une alternative au cloud pour l’IA embarquée
Cette technologie cible des applications où la latence et la consommation énergétique sont critiques : robots industriels, véhicules autonomes, satellites ou capteurs distribués. Aujourd’hui, ces systèmes doivent souvent transmettre leurs données vers des serveurs centraux pour les traiter, ce qui pose des problèmes de bande passante, de coût et de sécurité. Avec des matériaux neuromorphiques, le calcul peut avoir lieu directement sur le capteur, sans dépendre du cloud.
Les chercheurs ont démontré que ces réseaux de nanofils pouvaient accomplir des tâches de reconnaissance d’images ou de parole en temps réel, avec une consommation énergétique bien inférieure à celle des GPU ou TPU classiques. Par exemple, un prototype de l’UCLA a atteint 93,4 % de précision pour identifier des chiffres manuscrits, en utilisant un algorithme d’apprentissage continu qui ajuste les connexions du réseau en fonction des erreurs commises.
Deux familles de matériaux pour l’IA physique
L’équipe de l’UCLA travaille sur deux types de structures :
Ces systèmes exploitent des phénomènes physiques émergents : par exemple, la formation spontanée de chemins conducteurs sous l’effet d’un stimulus électrique, ou la dégradation de connexions peu sollicitées (un mécanisme analogue à l’oubli dans le cerveau).
Vers des robots et satellites auto-suffisants ?
Les applications potentielles sont vastes :
Les chercheurs imaginent aussi des matériaux intelligents pour la construction (bâtiments auto-réparants) ou la médecine (capteurs implantables analysant en continu les signaux biologiques). Leur objectif est de créer des systèmes capables de s’adapter en permanence à leur environnement, sans nécessiter de reprogrammation.
Un pas vers l’IA embarquée généralisée
Cette avancée s’inscrit dans le mouvement plus large de l’IA physique, où le calcul n’est plus confiné à des circuits électroniques dédiés, mais distribué dans la matière elle-même. Comme le note Zdenka Kuncic, physicienne à l’Université de Sydney et co-autrice de l’étude :
> « Ces réseaux pourraient rendre l’IA aussi omniprésente que l’électricité — présente dans chaque objet capable de capter ou d’agir sur le monde. »
Pour l’instant, ces prototypes restent limités en taille et en complexité, mais les chercheurs planifient des versions miniaturisées, intégrant des milliers de ces réseaux dans des architectures 3D. Une étape clé pour passer du laboratoire aux applications industrielles.
Sources : newsroom.ucla.edu/releases/toward-physical-ai-when-hardware-becomes-neural-network | newsroom.ucla.edu/releases/experimental-brain-like-computing-system-custom-algorithm | quantumzeitgeist.com/nanowire-networks-compute-ucla-billionths-meter/