Et si la chaleur que l’électronique cherche habituellement à évacuer pouvait accomplir un travail utile ?
C’est le principe à l’origine d’une nouvelle approche du calcul analogique présentée par une équipe dirigée par des chercheurs du Institute for Soldier Nanotechnologies du MIT. Au lieu de considérer la chaleur résiduelle comme un sous-produit indésirable, les chercheurs l’ont utilisée comme vecteur d’information lui-même.
Dans le système décrit dans le rapport source, les données d’entrée ne sont pas encodées sous forme de valeurs binaires électriques. Elles sont représentées par un ensemble de températures fondées sur la chaleur déjà présente dans un dispositif. Cette information thermique se propage à travers des structures microscopiques en silicium dont la géométrie est conçue par un algorithme d’optimisation fondé sur la physique. La distribution et le flux de chaleur qui en résultent effectuent le calcul, tandis que la sortie est représentée par la puissance collectée à l’autre extrémité.
C’est une inversion frappante de la logique conventionnelle. La plupart des systèmes informatiques modernes fonctionnent à l’électricité puis peinent à gérer la chaleur qu’ils produisent. Ce travail se demande si certaines catégories de calcul pourraient, au contraire, s’appuyer sur cette chaleur, réduisant potentiellement le besoin d’apport énergétique supplémentaire dans certaines applications.
Les chercheurs ont démontré une opération centrale utilisée en apprentissage automatique
L’équipe a utilisé les structures en silicium pour réaliser une forme simple de multiplication matrice-vecteur, une opération mathématique au cœur des systèmes d’apprentissage automatique, y compris les grands modèles de langage. D’après le texte source, les résultats étaient exacts à plus de 99 % dans de nombreux cas.
Cette précision est remarquable, car les opérations matricielles sont exactement le type d’algèbre linéaire répétitive qui domine de nombreuses charges de travail d’IA. En principe, toute nouvelle méthode capable de les exécuter efficacement attire l’attention. Mais les chercheurs prennent soin de ne pas surestimer ce qu’ils ont construit.
Le rapport source précise clairement que la technique est encore loin d’être prête à être mise à l’échelle jusqu’aux systèmes gigantesques utilisés dans l’apprentissage profond moderne. L’assemblage de millions de ces structures thermiques poserait d’importants défis d’ingénierie. La précision diminue également à mesure que les matrices deviennent plus complexes et que la distance entre les bornes d’entrée et de sortie augmente.
Il ne s’agit donc pas d’un remplacement à court terme des accélérateurs d’IA numériques. Il faut plutôt y voir une démonstration que le calcul analogique thermique peut devenir réel et précis dans des conditions contraintes.
