Un « ordinateur thermodynamique » peut imiter les réseaux neuronaux de l'IA – en utilisant des ordres de grandeur en moins d'énergie pour générer des images

Les scientifiques ont construit un « ordinateur thermodynamique » capable de produire des images à partir de perturbations aléatoires des données, c’est-à-dire du bruit. Ce faisant, ils ont imité le modèle génératif intelligence artificielle (IA) capacités des réseaux de neurones – collections d’algorithmes d’apprentissage automatique modélisés sur le cerveau.

Au-dessus du zéro absolu, le monde vibre de fluctuations d’énergie appelées bruit thermique qui se manifestent par des atomes et des molécules qui s’agitent, l’échelle atomique s’inverse en raison de la propriété quantique qui confère le magnétisme, et ainsi de suite.

Les systèmes d’IA d’aujourd’hui – comme la plupart des autres systèmes informatiques actuels – génèrent des images à l’aide de puces informatiques dans lesquelles l’énergie nécessaire pour retourner les bits éclipse la quantité d’énergie contenue dans les fluctuations aléatoires du bruit thermique, ce qui rend le bruit négligeable.

Mais un nouvel « ordinateur thermodynamique génératif » fonctionne en exploitant le bruit du système plutôt que malgré lui, ce qui signifie qu’il peut effectuer des tâches informatiques avec des ordres de grandeur inférieurs à ceux requis par les systèmes d’IA classiques. Les scientifiques ont présenté leurs conclusions dans une nouvelle étude publiée le 20 janvier dans la revue Lettres d’examen physique.

Stephen Whitelamscientifique à la fonderie moléculaire du laboratoire national Lawrence Berkeley et auteur de la nouvelle étude, a fait une analogie avec les bateaux dans l’océan. Ici, les vagues jouent le rôle de bruit thermique, et l’informatique conventionnelle peut être comparée à un paquebot qui « sillonne comme s’il s’en fichait — très efficace, mais très coûteux », a-t-il déclaré.

Si l’on devait réduire la consommation d’énergie de l’informatique conventionnelle à un niveau comparable au bruit thermique, cela reviendrait à essayer de diriger un canot équipé d’un moteur hors-bord à travers l’océan. « C’est beaucoup plus difficile », a-t-il déclaré à Live Science, et exploiter le bruit dans l’informatique thermodynamique peut aider, comme « un surfeur exploite la puissance des vagues ».

L’informatique conventionnelle fonctionne avec des valeurs de bits binaires définies : 1 et 0. Cependant, un nombre croissant de recherches au cours de la dernière décennie ont mis en évidence que vous pouvez obtenir un meilleur rapport qualité-prix en termes de ressources telles que l’électricité consommée pour effectuer un calcul lorsque vous travaillez avec des probabilités de valeurs.

Les gains d’efficacité sont particulièrement prononcés pour certains types de problèmes appelés problèmes « d’optimisation », où vous souhaitez tirer le meilleur parti tout en investissant le moins – par exemple, visiter le plus de rues pour livrer le courrier tout en parcourant le moins de kilomètres. Le calcul thermodynamique pourrait être considéré comme un type de calcul probabiliste qui utilise les fluctuations aléatoires du bruit thermique au calcul de la puissance.

Génération d’images avec calcul thermodynamique

Des chercheurs de la Normal Computing Corporation de New York, qui n’étaient pas directement impliqués dans ce travail de génération d’images, ont construit quelque chose qui se rapproche d’un ordinateur thermodynamique, en utilisant un réseau de circuits reliés par d’autres circuits, tous fonctionnant à de faibles énergies comparables au bruit thermique. Les circuits effectuant la liaison pourraient alors être programmés pour renforcer ou affaiblir la connexion qu’ils forment entre les circuits qu’ils relient – les circuits « nœuds ».

L’application de n’importe quel type de tension au système fixerait une série de tensions aux différents nœuds, leur attribuant des valeurs qui finiraient par s’atténuer à mesure que la tension appliquée était supprimée et que les circuits revenaient à l’équilibre.

Cependant, même à l’équilibre, le bruit dans les circuits fait fluctuer les valeurs des nœuds d’une manière très spécifique déterminée par la force programmée des connexions, appelées forces de couplage. En tant que telles, les forces de couplage pourraient être programmées de telle manière qu’elles posent effectivement une question à laquelle répondent les fluctuations d’équilibre qui en résultent. Le chercheurs chez Normal Computing, ils ont montré qu’ils pouvaient programmer les forces de couplage de manière à ce que les fluctuations des nœuds d’équilibre qui en résultent puissent résoudre l’algèbre linéaire.

Bien que la gestion de ces connexions offre un certain contrôle sur la question à laquelle répondent les fluctuations d’équilibre des valeurs des nœuds, elle ne permet pas de changer le type de question. Whitelam s’est demandé si s’éloigner de l’équilibre thermique pourrait aider les chercheurs à concevoir un ordinateur capable de répondre à des types de questions fondamentalement différents, et si cela serait plus pratique, car l’atteinte de l’équilibre peut prendre un certain temps.

Tout en réfléchissant aux types de calculs qui pourraient être rendus possibles en s’éloignant de l’équilibre, Whitelam s’est retrouvé à considérer quelques recherches vers le milieu des années 2010qui montrait que si vous preniez une image et ajoutiez du bruit jusqu’à ce qu’aucune trace de l’image originale ne soit visible, un réseau neuronal pouvait être entraîné pour inverser ce processus et ainsi récupérer l’image. Si vous l’entraîniez sur une série d’images en voie de disparition, le réseau neuronal serait capable de générer une gamme d’images à partir d’un point de départ de bruit aléatoire, y compris des images extérieures à la bibliothèque sur laquelle il avait été formé. Ces modèles de diffusion semblaient à Whitelam « un point de départ naturel » pour un ordinateur thermodynamique, la diffusion elle-même étant un processus statistique ancré dans la thermodynamique.

Alors que l’informatique conventionnelle fonctionne de manière à réduire le bruit à des niveaux négligeables, a noté Whitelam, de nombreux algorithmes utilisés pour entraîner les réseaux neuronaux fonctionnent en ajoutant à nouveau du bruit. « Ne serait-ce pas beaucoup plus naturel dans un environnement thermodynamique où le bruit est gratuit ? » il a noté d’un actes de la conférence.

Emprunter des principes séculaires

La façon dont les choses évoluent sous l’influence d’un bruit important peut être calculée à partir de l’équation de Langevin, qui remonte à 1908. La manipulation de cette équation peut donner des probabilités pour chaque étape du processus d’enveloppement d’une image par du bruit. Dans un sens, cela donne la probabilité que chaque pixel prenne la mauvaise couleur lorsqu’une image est soumise à un bruit thermique.

À partir de là, il est possible de calculer les forces de couplage nécessaires – par exemple les forces de connexion des circuits – pour inverser le processus, en supprimant le bruit étape par étape. Cela génère une image – ce que Whitelam a démontré dans une simulation numérique à partir d’une bibliothèque d’images contenant un « 0 », un « 1 » et un « 2 ». L’image générée peut provenir de la base de données de formation d’origine ou d’une sorte de supposition, et un bonus d’imperfections dans la formation signifie qu’il est possible de proposer de nouvelles images qui ne font pas partie de l’ensemble de données d’origine.

Il a également signalé un avantage potentiel au-delà des économies d’énergie : « Cet article montre également comment des approches inspirées de la physique peuvent fournir une interprétation fondamentale claire d’un domaine où les modèles de « boîte noire » ont dominé, fournissant des informations essentielles sur le processus d’apprentissage », a-t-il déclaré par e-mail à Live Science.

En ce qui concerne l’IA générative, la récupération de trois chiffres appris à partir du bruit peut sembler relativement rudimentaire. Cependant, Whitelam a souligné que le concept de calcul thermodynamique n’a encore que quelques années.

« En regardant l’histoire de l’apprentissage automatique et comment il a finalement été étendu à des tâches plus grandes et plus impressionnantes », a-t-il déclaré, « je suis curieux de savoir si le matériel thermodynamique, même dans un sens conceptuel, peut être mis à l’échelle de la même manière. »

Sources des articles

Whitelam, S. (2025). Calcul thermodynamique génératif. Lettres d’examen physique, 136(3), 037101. https://doi.org/10.1103/kwyy-1xln

Anissa Chauvin

Je m'appelle Anissa, rédactrice passionnée au cœur battant pour Reveil Citoyen Media. Mon parcours, de la plume lycéenne aux salles de rédaction, est guidé par une curiosité insatiable et le désir ardent de révéler les vérités cachées. Chaque article que je rédige est une invitation à réfléchir, à questionner et, surtout, à agir pour un monde meilleur.

Un « ordinateur thermodynamique » peut imiter les réseaux neuronaux de l’IA – en utilisant des ordres de grandeur en moins d’énergie pour générer des images

Génération d’images avec calcul thermodynamique

Emprunter des principes séculaires