Cette approche permet de rendre ces systèmes plus économes en énergie par rapport aux ordinateurs numériques, offrant ainsi une alternative plus efficace.
Détaillée dans un article publié dans Nature Electronics, cette technique utilise des phonons non linéaires intégrés dans des dispositifs en niobate de lithium.
Cela permet de stocker une quantité significative d’informations sur un seul appareil, réduisant les erreurs généralement rencontrées lors de l’intégration de multiples composants dans des systèmes analogiques.
Grâce à cette avancée, les scientifiques ont conçu un système de calcul analogique basé sur des réseaux de neurones physiques, capable de classer des données avec une précision remarquable de 98,2 %.
En harmonisant la conception des dispositifs avec celle des réseaux neuronaux, les performances globales sont substantiellement améliorées.
Les chercheurs poursuivent leurs efforts pour peaufiner cette approche, dans l’optique de résoudre des problèmes complexes et d’élargir l’utilisation des algorithmes d’apprentissage automatique dans des architectures analogiques à grande échelle, tout en préservant leur efficacité.
Source: IA Tech news
