Choisir la recette pour une puce neuromorphique : comment mieux corriger les interférences express

Original: "A Comparative Analysis of Ising Formulations for Neuromorphic Maximum-Likelihood Channel Decoding"
arXiv:2607.12862 · 2026-07-14 · CC BY 4.0 · 2 min
Des scientifiques ont comparé deux méthodes pour traduire une tâche en langage de spins et ont découvert qu'il n'existe pas de recette idéale : le succès dépend des capacités de la puce spécifique.

Les puces neuromorphiques fonctionnent différemment des ordinateurs classiques, construits selon les plans de John von Neumann avec une mémoire et un processeur séparés. À la base de ces puces se trouve un réseau de cellules simples, semblables à des neurones, et, comme l'eau qui remplit uniformément un récipient de n'importe quelle forme, elles trouvent facilement une solution sans étapes superflues. La puce elle-même, comme notre cerveau, repose sur le carbone — la base chimique du vivant.

Les scientifiques ont abordé la tâche de nettoyage d'un signal des interférences. Ils l'ont traduite en langage physique de recherche du minimum d'entropie, c'est-à-dire du plus petit désordre. Ils ont proposé deux recettes : la première avec un minimum de spins-ingrédients, mais enchevêtrés comme des spaghettis ; la seconde avec un plus grand nombre de spins, mais avec des connexions simples et courtes, comme les lignes d'une recette de pâte feuilletée.

Les spins supplémentaires de la seconde recette agissent comme une levure : ils augmentent le volume mais empêchent la pâte de retomber — le résultat est plus régulier.

Le test sur une puce réelle a donné un résultat inattendu : parfois la seconde recette, malgré l'abondance d'ingrédients, fonctionnait plus vite et plus précisément. Tout dépend du nombre de connexions que la puce peut mobiliser simultanément — un peu comme le choix de la farine en fonction du four. Il n'y a pas de recette idéale, et ce n'est qu'en essayant les deux que l'on obtient la meilleure restauration du signal.

La première puce neuromorphique est apparue dès les années 1980, mais, telle une recette de famille oubliée, elle a attendu son heure jusqu'au boom des réseaux de neurones.

Le cerveau ne consomme que 20 watts — la puissance d'une petite ampoule. Or un supercalculateur qui simule son fonctionnement dépense des mégawatts. Les puces neuromorphiques réduisent cet écart d'un facteur mille.

Scientifiques
Jacob BekensteinStephen HawkingLudwig BoltzmannRudolf ClausiusJames Clerk MaxwellEdward Witten
Notions
seuil d'erreur décodeur méthodes de régularisation maximum de vraisemblance qubit logique modèles quantiques problème d'optimisation intrication quantique maximale suppression d'erreurs grands modèles de langage algorithme hybride optimisation des ressources en informatique quantique traitement automatique du langage naturel