La puce annoncée l'année dernière exploite un 'spiking recurrent neural network' (SNN) et imite ainsi le réseau neural du cerveau. Il en résulte une technologie capable de prendre rapidement des décisions, tout en étant efficiente en énergie.

Un an après, l'imec affirme que sa puce basée sur une architecture à 40 nanomètres, va encore évoluer pour permettre davantage de débouchés en matière d'IoT et de robotique autonome.

'La technologie SNN trouvera son chemin vers un grand nombre d'applications: des appareils Internet of Things (IoT) intelligents et autodidactes - tels des wearables - jusqu'à des drones et robots autonomes. Mais chacun de ces débouchés aura ses exigences spécifiques', déclare Ilja Ocket, program manager neuromorphic sensing à l'imec.

'C'est ainsi que les 'spiking neural networks' pour applications IoT doivent surtout se distinguer en matière d'efficience énergétique, alors que les drones autonomes ont avant tout besoin d'un ralentissement limité du signal, afin qu'ils puissent éviter rapidement les obstacles.'

Drones

Outre l'élargissement des débouchés, l'imec continuera d'utiliser la puce pour les drones. L'institut entend ici adopter une approche de type 'end-to-end spiking', ce qui signifie que le 'spiking recurrent neural network' sera exploité de manière bien plus ample lors du traitement des données provenant de capteurs et d'images pour la prise de décisions par l'AI.

'Nous pourrons ainsi élaborer un système qui sera très efficient en énergie, tout en étant caractérisé par un ralentissement du signal très limité', affirme Ocket. 'Le problème réside cependant dans le fait que pour connecter ce type de caméra aux systèmes AI sous-jacents, il faut aujourd'hui d'abord encore et toujours convertir leurs flux en frames, ce qui amenuise en grande partie le gain d'efficience. Voilà pourquoi l'imec examine comment une approche 'end-to-end spiking' - des caméras et capteurs jusqu'à l'AI sous-jacente - pourrait ici venir à point'

L'imec déclare être le premier à ce faire et ajoute être encore à la recherche de firmes de drones souhaitant expérimenter la technologie.

Précis, malgré l'économie en énergie

Du coup, l'imec indique aussi que l'efficience énergétique n'exerce qu'un impact limité sur la précision. Conjointement avec le Centrum Wiskunde en Informatica (CWI) néerlandais, l'institut a comparé son 'spiking neural network' (SNN) à six autres réseaux neuraux sur huit gisements de données et a constaté que la faible consommation énergétique des SNN ne se fait pas au détriment de la précision d'inférence (la fréquence à laquelle l'AI donne la bonne réponse).

La puce annoncée l'année dernière exploite un 'spiking recurrent neural network' (SNN) et imite ainsi le réseau neural du cerveau. Il en résulte une technologie capable de prendre rapidement des décisions, tout en étant efficiente en énergie.Un an après, l'imec affirme que sa puce basée sur une architecture à 40 nanomètres, va encore évoluer pour permettre davantage de débouchés en matière d'IoT et de robotique autonome. 'La technologie SNN trouvera son chemin vers un grand nombre d'applications: des appareils Internet of Things (IoT) intelligents et autodidactes - tels des wearables - jusqu'à des drones et robots autonomes. Mais chacun de ces débouchés aura ses exigences spécifiques', déclare Ilja Ocket, program manager neuromorphic sensing à l'imec.'C'est ainsi que les 'spiking neural networks' pour applications IoT doivent surtout se distinguer en matière d'efficience énergétique, alors que les drones autonomes ont avant tout besoin d'un ralentissement limité du signal, afin qu'ils puissent éviter rapidement les obstacles.'DronesOutre l'élargissement des débouchés, l'imec continuera d'utiliser la puce pour les drones. L'institut entend ici adopter une approche de type 'end-to-end spiking', ce qui signifie que le 'spiking recurrent neural network' sera exploité de manière bien plus ample lors du traitement des données provenant de capteurs et d'images pour la prise de décisions par l'AI.'Nous pourrons ainsi élaborer un système qui sera très efficient en énergie, tout en étant caractérisé par un ralentissement du signal très limité', affirme Ocket. 'Le problème réside cependant dans le fait que pour connecter ce type de caméra aux systèmes AI sous-jacents, il faut aujourd'hui d'abord encore et toujours convertir leurs flux en frames, ce qui amenuise en grande partie le gain d'efficience. Voilà pourquoi l'imec examine comment une approche 'end-to-end spiking' - des caméras et capteurs jusqu'à l'AI sous-jacente - pourrait ici venir à point'L'imec déclare être le premier à ce faire et ajoute être encore à la recherche de firmes de drones souhaitant expérimenter la technologie.Précis, malgré l'économie en énergieDu coup, l'imec indique aussi que l'efficience énergétique n'exerce qu'un impact limité sur la précision. Conjointement avec le Centrum Wiskunde en Informatica (CWI) néerlandais, l'institut a comparé son 'spiking neural network' (SNN) à six autres réseaux neuraux sur huit gisements de données et a constaté que la faible consommation énergétique des SNN ne se fait pas au détriment de la précision d'inférence (la fréquence à laquelle l'AI donne la bonne réponse).