La puce memristor 40nm de l'Université de Pékin surpasse le Nvidia A100 jusqu'à 478x

Une puce neuromorphique construite autour de memristors à changement de phase a atteint une accélération computationnelle allant jusqu'à 478 fois par rapport au GPU A100 de Nvidia dans des tâches de reconstruction du cortex cérébral, selon un article publié dans Science le 14 juillet. Des chercheurs de l'Université de Pékin et de l'Institut de microsystèmes de Shanghai de l'Académie chinoise des sciences ont conçu la puce, qui s'écarte de l'accélération numérique conventionnelle en utilisant le comportement physique des dispositifs de mémoire eux-mêmes pour résoudre les équations de la dynamique neuronale.

La puce de 40 nm mesure seulement 0,28 millimètres carrés. Elle intègre des réseaux de calcul en mémoire pour les opérations matricielles et des réseaux à décalage par pas pour l'intégration adaptative, atteignant une latence d'itération unique de 2,12 millisecondes. C'est la première fois que le matériel de dynamique neuronale descend en dessous du seuil de la milliseconde en une seule itération, permettant à des applications qui ne pouvaient auparavant fonctionner qu'hors ligne de fonctionner en temps réel.

Pourquoi la dynamique neuronale est difficile

Les modèles de dynamique neuronale décrivent comment l'activité neuronale évolue dans le temps. Ils nécessitent une résolution itérative d'équations différentielles. Les architectures von Neumann traditionnelles transfèrent des données entre des unités de mémoire et de traitement séparées, créant des goulots d'étranglement qui rendent l'exécution en temps réel impraticable pour les modèles à haute fidélité. L'équipe de l'Université de Pékin a contourné ce problème en exploitant la physique des memristors à changement de phase.

Les memristors à changement de phase ont une conductance variable en continu qui peut être programmée avec précision. Les chercheurs ont mappé le processus de recherche adaptative par pas nécessaire dans les solveurs de dynamique neuronale directement sur l'évolution naturelle de la conductance des memristors. Plutôt que d'exécuter plusieurs cycles d'horloge pour la recherche de taille de pas, le jugement et l'ajustement, le dispositif effectue ces tâches à travers sa propre évolution physique. Les auteurs appellent cela le calcul piloté par la physique.

Le contrôle de conductance multi-niveaux permet également au même réseau de stocker les poids du réseau neuronal et d'effectuer une multiplication matricielle analogique en même temps, combinant mémoire et calcul en une seule couche physique.

Chiffres de performance bruts

Dans les expériences, la puce a surpassé les accélérateurs ASIC les plus avancés de 3,82 à 36,27 fois en vitesse, tout en ne consommant que 3,9 à 7,8 pour cent de la puissance. Les résultats les plus frappants sont venus de tâches de reconstruction de surface du cortex cérébral à haute fidélité, où la puce a surpassé un GPU Nvidia A100 par un facteur de 50,38 à 478,18 fois.

La puce fonctionne à 50 MHz avec un pipeline à 9 étages. Les résultats montrent que l'innovation architecturale, et non le parallélisme de force brute, peut offrir des gains d'ordres de grandeur pour des charges de travail computationnelles spécialisées.

Des modèles du cerveau aux interfaces cérébrales

Science a publié un article de perspective d'accompagnement décrivant le travail comme un changement de paradigme. Les implications vont bien au-delà de l'application de modélisation cérébrale démontrée. La dynamique neuronale au niveau de la milliseconde ouvre la porte aux interfaces cerveau-ordinateur en temps réel, aux jumeaux numériques du cerveau pour la médecine personnalisée, aux systèmes de navigation neuronale pour la chirurgie, et au diagnostic intelligent des maladies neurodégénératives telles que Parkinson et Alzheimer.

Les puces neuromorphiques traditionnelles d'Intel (Loihi) et d'IBM (TrueNorth) se concentrent sur le calcul basé sur les spikes, bien adapté à la classification et à la reconnaissance de motifs. La puce de l'Université de Pékin aborde une niche différente : la résolution itérative en temps continu d'équations différentielles qui sous-tendent les modèles neuronaux biophysiques. Cela la place dans une catégorie distincte à la fois des GPU conventionnels et des accélérateurs neuronaux à spikes.

La recherche a été soutenue par le programme New Cornerstone Investigator, le programme national clé de R&D, la Fondation nationale des sciences naturelles, et le laboratoire clé du Guangdong pour les puces de calcul en mémoire.

Alors que l'industrie des semi-conducteurs lutte avec la fin de la loi de Moore, la puce offre un aperçu d'une trajectoire alternative : une où la physique des dispositifs, plutôt que la densité des transistors, entraîne l'amélioration des performances.