Résonance tunnel : quand les diodes apprennent à voir ✛

‹›

En 1974, des physiciens ont décrit pour la première fois un dispositif dans lequel les électrons traversent une barrière d'énergie grâce à l'effet tunnel quantique. Aujourd'hui, ce dispositif, la diode à effet tunnel résonant, devient le cœur d'une architecture de calcul inhabituelle. Au lieu de milliers de lignes de code et d'un processeur puissant, un réseau de 28 diodes lit l'image et la transforme en un ensemble de caractéristiques suffisant pour reconnaître des chiffres et des fruits.

Le calcul par réservoir est une méthode d'apprentissage automatique avec un réseau non linéaire fixe. Le schéma classique utilise des matrices de connexions aléatoires, mais la nouvelle génération abandonne le hasard au profit d'une transformation non linéaire déterministe. Ici, la diode à effet tunnel résonant agit comme un interprète qui ne se contente pas de répéter le signal, mais y ajoute de nouvelles harmoniques. Chaque ligne de pixels est envoyée à la diode sous forme d'impulsions de tension, et la caractéristique courant-tension non linéaire, c'est-à-dire la relation entre le courant et la tension, génère des harmoniques supérieures. Ce sont précisément ces harmoniques qui portent l'information sur la forme d'un chiffre ou le contour d'une pomme.

La simulation numérique en Python a montré que sur l'ensemble MNIST (chiffres manuscrits), la précision atteint 92,5 %, et sur Fruit-360 (fruits et légumes), 99,1 %. Les erreurs surviennent principalement entre des chiffres similaires, comme 4 et 9. Les classes « pomme », « avocat » et « fraise » sont reconnues presque sans erreur. Les courants de sortie des diodes forment la matrice d'états du réservoir, et les poids de sortie sont calculés par régression ridge, une régression linéaire avec régularisation. Pas de masques aléatoires, de lignes à retard ou de nœuds virtuels : seulement la physique de l'effet tunnel.

Ce travail s'inscrit dans le courant du calcul par réservoir de nouvelle génération, où le hasard est remplacé par une transformation non linéaire déterministe du signal d'entrée. On ne savait pas auparavant si l'on pouvait utiliser des diodes à effet tunnel résonant comme réservoir physique pour la reconnaissance d'images sans matrices aléatoires. On montre maintenant qu'un réseau de diodes à effet tunnel résonant avec une caractéristique non linéaire déterministe atteint une précision allant jusqu'à 99,1 % sur Fruit-360 et 92,5 % sur MNIST. Ce résultat est obtenu grâce à un modèle numérique où la non-linéarité est définie par la caractéristique courant-tension des diodes, et non par des connexions aléatoires. Cette approche pourrait être utilisée pour créer des accélérateurs matériels économes en énergie pour la reconnaissance de formes dans des dispositifs autonomes.

La prochaine étape est la réalisation expérimentale du réseau de diodes et l'intégration avec un codage temporel. Une combinaison avec l'effet tunnel quantique et les neurones impulsionnels est possible. La compatibilité technologique des diodes à effet tunnel résonant avec l'électronique au silicium ouvre la voie à des puces hybrides où le réservoir fonctionne en mode analogique et la lecture en mode numérique. Un drone qui reconnaît les obstacles sans calcul dans le cloud, ou un dispositif portable qui reconnaît les gestes, ce n'est plus de la science-fiction, mais un défi d'ingénierie pour la prochaine décennie.