LIMO : annealer en mémoire à faible consommation et primitive de multiplication de matrices pour l’informatique en périphérie

Des itinéraires plus intelligents et des puces plus légères

Chaque jour, des entreprises doivent résoudre des casse-têtes comme trouver l’itinéraire le plus court pour un camion de livraison passant par des milliers d’arrêts ou analyser rapidement des images pour repérer des visages avec une caméra alimentée par batterie. Ces problèmes mettent à rude épreuve les ordinateurs actuels, qui transférent d’énormes volumes de données entre la mémoire et les processeurs. Cet article présente LIMO, un nouveau bloc de calcul à faible consommation qui conserve les données en place tout en résolvant ces tâches difficiles de planification d’itinéraires et en exécutant des modèles d’intelligence artificielle (IA), rendant les futurs dispositifs en périphérie plus rapides et plus économes en énergie.

Pourquoi trouver de bons itinéraires est si difficile

Au cœur de ce travail se trouve le célèbre problème du voyageur de commerce : donné un grand nombre de villes, trouver la tournée la plus courte qui visite chaque ville une fois et revient au point de départ. Pour de petites cartes, des outils mathématiques exacts peuvent trouver la meilleure solution. Mais lorsque le nombre de villes atteint des dizaines de milliers, le nombre de tournées possibles explose, et même des ordinateurs puissants peinent. Des heuristiques comme le recuit simulé peuvent explorer cet espace gigantesque à la recherche de tournées de qualité — sans être parfaites — en acceptant parfois des itinéraires intermédiaires pires pour éviter de rester bloquées. Cependant, les approches standard explorent encore l’espace de recherche de façon inefficace pour des problèmes très larges et gaspillent du temps à déplacer les données entre mémoire et CPU, heurtant le « mur de la mémoire ».

Une nouvelle façon d’explorer les possibilités

Les auteurs proposent un nouvel algorithme appelé Significance Weighted Annealed Insertion (SWAI) qui reconfigure la manière dont les tournées candidates sont explorées. Plutôt que d’échanger sans cesse des paires de villes, ce qui s’aggrave avec l’augmentation du nombre de villes, SWAI construit les tournées pas à pas en insérant une nouvelle ville à la fois. À chaque étape, il choisit parfois la ville la plus proche suivante (un choix glouton) et parfois s’appuie sur un hasard contrôlé qui favorise les arêtes candidates plus courtes sans exclure totalement les plus longues. Ce biais est ajusté au fil du temps, commençant plus aventureux et devenant plus conservateur au fur et à mesure de la recherche. Parce que chaque étape examine les options d’une manière qui croît seulement linéairement avec le nombre de villes, l’algorithme explore les améliorations à longue portée plus efficacement que le recuit simulé traditionnel.

Calculer à l’intérieur de la mémoire avec un hasard intégré

LIMO transforme cet algorithme en matériel en co-concevant étroitement les circuits et la méthode de recherche. Au cœur se trouve une matrice mémoire modifiée qui stocke à la fois la tournée courante et les distances entre villes, et qui réalise les étapes clefs de mise à jour sans communiquer en permanence avec un processeur séparé. Les choix aléatoires nécessaires à l’algorithme proviennent de minuscules dispositifs magnétiques appelés jonctions tunnel magnéto-optiques à transfert de spin (spin-transfer-torque magnetic tunnel junctions), qui basculent naturellement d’état de façon imprévisible lorsqu’on les commande avec le courant approprié. Les concepteurs convertissent ce hasard physique en bits numériques et utilisent de simples comparaisons pour implémenter les décisions probabilistes de l’algorithme. Parce que la plupart des opérations restent numériques et ont lieu directement dans la mémoire, le système évite des convertisseurs encombrants et des circuits analogiques fragiles, économisant à la fois énergie et surface.

Découper les gros problèmes en morceaux

Pour traiter des tâches de planification d’itinéraires vraiment grandes, jusqu’à 85 900 villes, le système utilise une stratégie diviser-pour-régner. Une méthode géométrique légère regroupe les villes proches en grappes jusqu’à ce que chaque grappe soit suffisamment petite pour tenir dans un seul bloc LIMO. Le matériel résout de nombreux sous-itinéraires en parallèle, puis les assemble pour former une tournée complète. Des étapes de raffinement supplémentaires affinent la route globale : des segments de la tournée sont réoptimisés par le matériel, et un nettoyage classique « 2-opt » sur un processeur ordinaire supprime les croisements restants. Dans des tests sur des références standard, cette approche combinée a produit des tournées de meilleure qualité que les machines de recuit spécialisées précédentes, tout en atteignant des réponses jusqu’à environ cinq fois plus rapides sur le plus grand problème.

Des itinéraires difficiles à une IA efficace

LIMO ne se limite pas à la planification d’itinéraires. La même matrice mémoire peut aussi servir de brique pour les réseaux neuronaux en réalisant des multiplications vecteur–matrice, l’opération centrale derrière la reconnaissance d’images et de motifs. Plutôt que d’utiliser des convertisseurs précis et énergivores pour lire des signaux analogiques, LIMO s’appuie sur des circuits de détection très simples qui capturent uniquement le signe du signal accumulé, et compense cette approximation en entraînant les réseaux de manière hardware-aware. Sur des tâches de classification d’images et de détection de visages, ces réseaux ont atteint une précision proche des modèles logiciels standards, tout en réduisant la consommation d’énergie et le temps de réponse comparé aux puces compute-in-memory conventionnelles. Pour l’utilisateur quotidien, cela signifie que les caméras, drones et autres appareils en périphérie pourraient un jour résoudre des tâches complexes de planification et exécuter des modèles IA plus longtemps sur batterie, grâce à une recherche plus intelligente et au calcul effectué directement là où vivent les données.

Citation: Holla, A., Chatterjee, S., Sen, S. et al. LIMO: Low-power in-memory-annealer and matrix-multiplication primitive for edge computing. npj Unconv. Comput. 3, 10 (2026). https://doi.org/10.1038/s44335-026-00054-8

Mots-clés: informatique en mémoire, problème du voyageur de commerce, recuit matériel, IA basse consommation, informatique en périphérie