Des chercheurs associés à l’UCLA décrivent une voie de calcul où le matériau lui-même devient le réseau neuronal. Ces assemblages auto-organisés de nanofils ou de nanoparticules pourraient traiter localement les signaux de capteurs avec une faible consommation, notamment dans les robots industriels, les véhicules autonomes et les satellites.
Le travail, présenté dans une publication de l’UCLA et détaillé dans une revue de Nature Reviews Physics, ne consiste pas à exécuter un logiciel neuronal conventionnel sur une nouvelle puce. Le réseau physique se forme et évolue dans la matière. Les connexions électriques entre ses éléments changent en réponse aux signaux reçus.
Quand le support matériel participe à l’apprentissage
Dans un ordinateur classique, le matériel fournit une plateforme stable sur laquelle le logiciel réalise les calculs. Les réseaux étudiés inversent partiellement cette séparation. Des nanofils ou nanoparticules jouent le rôle de nœuds, tandis que leurs connexions électriques variables rappellent des synapses. Une stimulation répétée peut renforcer certains chemins conducteurs ; l’absence de stimulation peut au contraire les affaiblir.
Les chercheurs parlent de réseaux neuromorphiques auto-organisés. Ils s’inspirent de propriétés du cortex sans chercher à reproduire un cerveau complet. Des travaux antérieurs ont déjà appliqué ce principe à des tâches de reconnaissance d’images ou de parole et à des calculs de type réservoir, en exploitant directement la dynamique physique du matériau.
L’objectif est de traiter les données au plus près de leur production. Un robot mobile ou industriel peut générer un flux continu de mesures visuelles, tactiles et acoustiques. Envoyer l’ensemble vers un centre de données augmente la latence, la consommation et la dépendance au réseau. Un matériau adaptatif capable de filtrer ou de reconnaître localement des motifs pourrait réduire ce coût en amont.
Une piste pour l’IA physique à basse consommation
La revue identifie plusieurs avantages potentiels : fonctionnement en temps réel, adaptation à des signaux changeants et demande énergétique plus faible que celle d’une chaîne entièrement numérique. Ces propriétés intéressent les équipements où la puissance électrique, la bande passante ou la connexion sont limitées.
La technologie reste toutefois exploratoire. Les équipes doivent encore progresser sur la fabrication, la reproductibilité, l’interface avec l’électronique numérique et la programmation d’un système dont la structure se modifie. La variabilité, utile pour créer une dynamique riche, complique aussi la validation indispensable à une machine industrielle.
Notre analyse
Cette approche ne remplace pas les accélérateurs qui entraînent aujourd’hui les grands modèles robotiques. Elle vise un autre étage de l’architecture : le bord, là où un système physique doit transformer rapidement un signal brut en information utile. Sa pertinence dépendra donc de l’intégration avec des processeurs conventionnels et avec les logiciels de contrôle.
Pour la robotique, l’enjeu est concret. Une perception locale plus sobre peut améliorer l’autonomie énergétique et réduire le délai entre un contact, sa détection et la réaction. Mais avant un déploiement, les réseaux de nanofils devront démontrer une stabilité mesurable, des méthodes de calibration et une résistance aux conditions réelles. La publication établit surtout une feuille de route matérielle pour une IA qui ne serait plus seulement embarquée dans la machine, mais en partie inscrite dans sa matière.
