Transistor ionique multimodal basé sur un conducteur superionique 2D pour le calcul en mémoire dans l’apprentissage profond

Des puces plus intelligentes inspirées par le cerveau

L’intelligence artificielle moderne réalise des prouesses mais consomme beaucoup d’énergie, principalement parce que les puces actuelles transfèrent constamment des données entre la mémoire et les processeurs. Cet article décrit un nouveau type de dispositif électronique miniature qui se comporte un peu comme une connexion de cellule cérébrale, ou synapse. En gérant à la fois le calcul et la mise en forme des signaux au même endroit, ces dispositifs pourraient rendre le matériel IA futur plus rapide et beaucoup plus économe en énergie, ce qui bénéficierait potentiellement aux smartphones, aux capteurs embarqués dans les voitures et aux dispositifs médicaux portables.

Pourquoi le matériel IA actuel gaspille de l’énergie

La plupart des algorithmes d’IA reposent sur deux étapes principales : multiplier et additionner des nombres pour combiner des signaux, puis appliquer une étape non linéaire dite d’« activation » qui décide quels motifs sont pertinents. Les puces conventionnelles réalisent ces étapes dans des blocs séparés. Les données doivent être converties entre formes numériques et analogiques et déplacées à plusieurs reprises sur la puce, ce qui coûte du temps et de l’énergie. Les ingénieurs aimeraient un seul dispositif physique capable à la fois de stocker la force d’une connexion et d’appliquer la non-linéarité de type activation, mais les composants électroniques typiques n’exécutent bien qu’une de ces fonctions. Lorsqu’on les pousse à faire les deux, ils deviennent souvent instables ou imprécis.

Un nouveau bloc de construction transistoriel

Les auteurs présentent un transistor construit à partir de cristaux feuilletés ultra-fins qui résout ce problème de façon surprenante. Le dispositif utilise un matériau bidimensionnel appelé CdPS3-Li comme couche conductrice d’ions, empilé avec un autre semi-conducteur 2D, le MoS2, qui transporte le courant électrique. La couche CdPS3-Li contient des ions lithium qui peuvent se déplacer facilement dans certaines directions mais pas dans d’autres, et elle possède aussi des sites vides (vacances) capables de piéger des charges. Lorsqu’une impulsion électrique est appliquée, les ions lithium dérivent vers la frontière avec la couche de MoS2 et y restent, modifiant fortement la conductivité du dispositif. Lorsqu’on éclaire le dispositif, les charges créées dans la couche de MoS2 sont attirées vers ces vacances, produisant des réponses temporelles riches et dépendantes du temps.

Transformer la lumière et l’électricité en signaux proches du cerveau

Grâce à ce design, le même transistor peut naturellement prendre en charge deux comportements très différents mais complémentaires. Sous impulsions électriques, il offre de nombreux niveaux de résistance stables qui évoluent de manière lisse et prévisible, agissant comme des poids ajustables dans un réseau de neurones. Ces niveaux sont non volatils, c’est‑à‑dire qu’ils persistent après la fin de l’impulsion, et le dispositif peut parcourir de manière fiable des dizaines d’états distincts sans s’user. Sous impulsions lumineuses, en revanche, le courant augmente puis décroît selon une courbe qui peut être ajustée par des fonctions mathématiques couramment utilisées comme fonctions d’activation en apprentissage profond. En modulant l’intensité, la durée et le nombre d’impulsions lumineuses, les chercheurs peuvent façonner la vitesse d’atténuation de la réponse, « programmant » ainsi différentes courbes d’activation directement dans le matériel.

Des dispositifs isolés aux réseaux IA opérationnels

Pour montrer que ce n’est pas qu’une curiosité de laboratoire, l’équipe a fabriqué des matrices de ces transistors et les a câblées pour exécuter des parties d’un réseau neuronal réel. Une matrice réalise l’étape de multiplication et d’accumulation : la résistance stockée de chaque dispositif représente un poids, et l’application de tensions sur une grille permet aux courants de s’additionner naturellement selon les lois de la physique des circuits. Une seconde matrice, plus petite, est exposée à des impulsions lumineuses soigneusement synchronisées de sorte que ses courants décroissants implémentent l’étape d’activation. En coordonnant ces deux modules avec de l’électronique de contrôle conventionnelle, les chercheurs ont entraîné un réseau à reconnaître des chiffres manuscrits, atteignant une précision supérieure à 97 % — comparable aux systèmes purement numériques, mais obtenue avec des composants qui combinent intrinsèquement mémoire et traitement.

Ce que cela signifie pour la technologie de tous les jours

Pour un non-spécialiste, le message essentiel est que ces nouveaux transistors ioniques sensibles à la lumière se comportent beaucoup plus comme des synapses biologiques que comme des interrupteurs silicium traditionnels. Ils peuvent mémoriser la force des connexions, répondre différemment aux stimuli électriques et optiques, et le faire avec une énergie par opération extrêmement faible. Bien qu’ils ne soient pas prêts à remplacer la puce de votre téléphone demain, ils ouvrent la voie à un futur où le matériel IA sera plus dense, plus efficace et plus proche du fonctionnement du cerveau. De telles avancées pourraient à terme permettre des systèmes d’apprentissage puissants intégrés dans de petits appareils alimentés par batterie, rapprochant des capacités de détection et de prise de décision plus intelligentes des lieux où les données sont générées.

Citation: Tong, B., Du, T., Du, J. et al. Multimodal ion-gated transistor based on 2D superionic conductor for in-memory computing in deep learning. Nat Commun 17, 4127 (2026). https://doi.org/10.1038/s41467-026-70587-w

Mots-clés: informatique neuromorphique, calcul en mémoire, transistor à commande ionique, matériaux 2D, matériel pour apprentissage profond