L’informatique physique à réservoir peut être utilisée pour effectuer un traitement à grande vitesse pour l’intelligence artificielle avec une faible consommation d’énergie.
Des chercheurs japonais ont conçu un dispositif de réservoir physique accordable basé sur la relaxation diélectrique à l’interface électrode-liquide ionique.
Dans un avenir proche, de plus en plus de traitements d’intelligence artificielle devront avoir lieu à la périphérie, c’est-à-dire près de l’utilisateur et là où les données sont collectées, plutôt que sur un serveur informatique distant. Cela nécessitera un traitement des données à grande vitesse avec une faible consommation d’énergie. L’informatique à réservoir physique est une plate-forme attrayante à cet effet, et une nouvelle avancée réalisée par des scientifiques au Japon vient de la rendre beaucoup plus flexible et pratique.
Le calcul de réservoir physique (PRC), qui repose sur la réponse transitoire des systèmes physiques, est un cadre d’apprentissage automatique attrayant qui peut effectuer un traitement à grande vitesse des signaux de séries temporelles à faible puissance. Cependant, les systèmes PRC ont une faible capacité de réglage, ce qui limite les signaux qu’ils peuvent traiter. Aujourd’hui, des chercheurs japonais présentent les liquides ioniques comme un dispositif de réservoir physique facilement accordable qui peut être optimisé pour traiter des signaux sur une large gamme d’échelles de temps en modifiant simplement leur viscosité.
L’intelligence artificielle (IA) est en train de devenir omniprésente dans la société moderne et sera plus largement mise en œuvre dans les années à venir. Dans les applications impliquant des capteurs et des dispositifs de l’internet des objets, la norme est souvent l’IA périphérique, une technologie dans laquelle le calcul et les analyses sont effectués près de l’utilisateur (là où les données sont collectées) et non loin sur un serveur centralisé. En effet, l’IA périphérique a de faibles besoins en énergie et des capacités de traitement des données à grande vitesse, des caractéristiques particulièrement souhaitables pour le traitement des données de séries temporelles en temps réel.
Echelle de temps des signaux communément produits dans les environnements vivants. Le temps de réponse du système PRC à liquide ionique développé par l’équipe peut être réglé pour être optimisé pour le traitement de ces signaux du monde réel. Crédit : Kentaro Kinoshita de TUS
À cet égard, l’informatique à réservoir physique (PRC), qui repose sur la dynamique transitoire des systèmes physiques, peut grandement simplifier le paradigme informatique de l’IA périphérique. En effet, la PRC peut être utilisée pour stocker et traiter des signaux analogiques afin de les transformer en signaux que l’IA périphérique peut traiter et analyser efficacement. Cependant, la dynamique des systèmes PRC solides est caractérisée par des échelles de temps spécifiques qui ne sont pas facilement réglables et sont généralement trop rapides pour la plupart des signaux physiques. Cette inadéquation des échelles de temps et leur faible contrôlabilité rendent la PRC largement inadaptée au traitement en temps réel des signaux dans les environnements vivants.
Pour résoudre ce problème, une équipe de recherche japonaise, composée du professeur Kentaro Kinoshita et de Sang-Gyu Koh, un étudiant en doctorat, de l’Université des sciences de Tokyo, ainsi que des chercheurs principaux Hiroyuki Akinaga, Hisashi Shima et Yasuhisa Naitoh de l’Institut national des sciences et technologies industrielles avancées, a proposé, dans une nouvelle étude publiée dans la revue Scientific Reportsl’utilisation de systèmes PRC liquides à la place. “Le remplacement des réservoirs solides conventionnels par des réservoirs liquides devrait conduire à des dispositifs d’IA capables d’apprendre directement aux échelles de temps des signaux générés par l’environnement, tels que la voix et les vibrations, en temps réel”, explique le professeur Kinoshita. “Les liquides ioniques sont des sels fondus stables qui sont entièrement constitués de charges électriques libres. La relaxation diélectrique du liquide ionique, ou la façon dont ses charges se réarrangent en réponse à un signal électrique, pourrait être utilisée comme un réservoir et est très prometteuse pour l’informatique physique de l’IA de pointe.”
La réponse du système PRC liquide ionique peut être réglée pour être optimisée pour le traitement d’une large gamme de signaux en modifiant sa viscosité par l’ajustement de la longueur de la chaîne latérale cationique. Crédit : Kentaro Kinoshita de TUS
Dans leur étude, l’équipe a conçu un système PRC avec un liquide ionique (IL) d’un sel organique, le bis(trifluorométhane sulfonyl)imide de 1-alkyl-3-méthylimidazolium ([Rmim+] [TFSI–] R = éthyle (e), butyle (b), hexyle (h), et octyle (o)), dont la partie cationique (l’ion chargé positivement) peut être facilement modifiée en fonction de la longueur d’une chaîne alkyle choisie. Ils ont fabriqué des électrodes à trous en or et ont rempli les trous avec la LI. “Nous avons découvert que l’échelle de temps du réservoir, bien que de nature complexe, peut être directement contrôlée par la viscosité du LI, qui dépend de la longueur de la chaîne alkyle cationique. Il est facile de changer le groupe alkyle dans les sels organiques, etnous offre un système contrôlable et concevable pour une gamme de durées de vie du signal, permettant une large gamme d’applications informatiques dans le futur”, déclare le professeur Kinoshita. En ajustant la longueur de la chaîne alkyle entre 2 et 8 unités, les chercheurs ont obtenu des temps de réponse caractéristiques compris entre 1 et 20 µs, les chaînes latérales alkyle plus longues conduisant à des temps de réponse plus longs et à des performances d’apprentissage de l’IA accordables des dispositifs.
L’adaptabilité du système a été démontrée en utilisant une tâche d’identification d’image par l’IA. On a présenté à l’IA une image manuscrite en entrée, représentée par des tensions d’impulsions rectangulaires d’une largeur de 1 µs. En augmentant la longueur de la chaîne latérale, l’équipe a fait en sorte que la dynamique transitoire se rapproche de celle du signal cible, le taux de discrimination s’améliorant pour des longueurs de chaîne plus élevées. Ceci est dû au fait que, comparé à [emim+] [TFSI–]dans lequel le courant s’est détendu jusqu’à sa valeur en 1 µs environ, l’IL avec une chaîne latérale plus longue et, à son tour, un temps de relaxation plus long a mieux conservé l’historique des données de la série temporelle, améliorant ainsi l’identification accuracy. When the longest sidechain of 8 units was used, the discrimination rate reached a peak value of 90.2%.
Input signal conversion through the ionic liquid-based PRC system. The reservoir output in the form of current response (top and middle) to an input voltage pulse signal (bottom) are shown. If the current decay (dielectric relaxation) is too fast/slow, it reaches its saturation value before the next signal input and no history of the previous signal is retained (middle image). Whereas, if the current response attenuates with a relaxation time that is properly matched with the time scales of the input pulse, the history of the previous input signal is retained (top image). Credit: Kentaro Kinoshita from TUS
These findings are encouraging as they clearly show that the proposed PRC system based on the dielectric relaxation at an electrode-ionic liquid interface can be suitably tuned according to the input signals by simply changing the IL’s viscosity. This could pave the way for edge AI devices that can accurately learn the various signals produced in the living environment in real time.
Computing has never been more flexible!
Reference: “Reservoir computing with dielectric relaxation at an electrode–ionic liquid interface” by Sang-Gyu Koh, Hisashi Shima, Yasuhisa Naitoh, Hiroyuki Akinaga and Kentaro Kinoshita, 28 April 2022, Scientific Reports.
DOI: 10.1038/s41598-022-10152-9
Kinoshita Kentaro is a Professor at the Department of Applied Physics at Tokyo University of Science, Japan. His area of interest is device physics, with a focus on memory devices, AI devices, and functional materials. He has published 105 papers with over 1600 citations to his credit and holds a patent to his name.
This study was partly supported by JSPS KAKENHI Grant Number JP20J12046.
Tokyo University of Science (TUS) is a well-known and respected university, and the largest science-specialized private research university in Japan, with four campuses in central Tokyo and its suburbs and in Hokkaido. Established in 1881, the university has continually contributed to Japan’s development in science through inculcating the love for science in researchers, technicians, and educators.
