Ces dispositifs, qui utilisent des quantités physiques continues pour manipuler des données, se révèlent moins énergivores que leurs homologues numériques.
La nouveauté, présentée dans un article paru dans Nature Electronics, s’appuie sur la phononie non linéaire intégrée dans des composants en niobate de lithium.
Cette technologie permet de condenser une grande quantité d’informations sur un même appareil, ce qui contribue à diminuer les erreurs liées à l’intégration de multiples éléments au sein des systèmes analogiques.
L’aboutissement de cette recherche a donné naissance à un système de calcul analogique s’appuyant sur un réseau de neurones physiques, capable d’atteindre une précision de classification des données de 98,2 %.
Grâce à une meilleure co-conception entre les dispositifs et les réseaux neuronaux, les performances sont considérablement améliorées.
Les chercheurs poursuivent leurs efforts d’optimisation pour traiter des problématiques complexes, avec l’ambition d’influer significativement sur le développement des algorithmes d’apprentissage automatique, intégrés dans des architectures analogiques à grande échelle, tout en préservant une performance élevée.
Source: IA Tech news
