Une puce à diodes qui voit des images ✛

Original: "Resonant-Tunnelling Diode Reservoir Computing System for Image Recognition"
arXiv:2507.15158 · 2025-07-20 · CC BY 4.0 · 1 min
Une diode tunnel transforme les images en motifs électriques avec un minimum d'énergie.

Les coups de baguette sur l'eau créent des ondulations uniques, qui permettent de deviner le rythme. C'est le principe de l'ordinateur à réservoir : au lieu de l'eau, on utilise une diode, inventée par Leo Esaki en 1958. Sous tension, son courant se comporte de manière non linéaire : il augmente, puis diminue, puis augmente à nouveau. Le signal s'emmêle, comme des vagues sur l'eau, et chaque image produit son propre motif électrique. Contrairement aux réseaux de neurones classiques, on ne règle pas les connexions : la physique de la diode génère elle-même la complexité. Seule la couche de sortie, qui associe le motif à la réponse, est entraînée. Un circuit de telles diodes lit des chiffres manuscrits et distingue des pommes d'oranges aussi bien que de puissantes cartes graphiques, mais consomme des centaines de fois moins d'énergie. Le secret réside dans l'augmentation de l'entropie : le signal est mélangé en une réponse presque aléatoire mais caractéristique. En l'analysant comme un spectre de lumière, la puce en extrait des caractéristiques importantes. La diode commute en picosecondes, mille fois plus vite que les transistors, car les électrons traversent les barrières d'énergie par effet tunnel, comme des fantômes.

Dans cette diode, les électrons traversent la barrière d'énergie comme des fantômes à travers un mur. C'est pourquoi elle commute en picosecondes, plus vite que n'importe quel transistor.

I(V) = a \ln\left(\frac{1+e^{\alpha+\eta V}}{1+e^{\alpha-\eta V}}\right) \left(\frac{\pi}{2} + \tan^{-1}\left(\frac{c-n_1 V}{d}\right)\right) + h(e^{\gamma V}-1)
Courant traversant la diode en fonction de la tension ; les paramètres déterminent la forme de la non-linéarité.
Scientifiques
George GamowLeo EsakiArchimedesDaniel BernoulliLeonhard Euler
Notions
calcul par réservoir réseaux de neurones récurrents architecture mémoire des réseaux de neurones reconnaissance de formes reconstruction d'image reconstruction 3D tomodensitométrie imagerie médicale par IA réseau aléatoire appareil IRM générateur de nombres aléatoires résonateur supraconducteur réduction de dimensionnalité mécanique des fluides numérique apprentissage profond en imagerie médicale machine de Turing traitement numérique d'images