Synapses spintroniques multi-bit évolutives et robustes pour le calcul analogique en mémoire

Pourquoi une mémoire plus intelligente compte pour l’IA quotidienne

Des assistants vocaux aux applications photo, l’intelligence artificielle moderne repose largement sur des réseaux neuronaux profonds — des programmes qui manipulent des millions de petits « poids » numériques pour prendre des décisions. Faire transiter ces poids entre la mémoire et les processeurs coûte bien plus d’énergie que les calculs eux-mêmes. Cet article explore un nouveau type de cellule mémoire magnétique qui peut non seulement stocker ces poids, mais aussi contribuer à effectuer les calculs directement à l’endroit où les données résident, promettant du matériel d’IA plus rapide et plus efficace.

Intégrer un calcul inspiré du cerveau dans la puce mémoire

Les ordinateurs actuels suivent l’architecture classique de von Neumann, où les données font sans cesse l’aller-retour entre la mémoire et un processeur séparé. Les réseaux neuronaux, qui se réduisent essentiellement à d’immenses multiplications matrice–vecteur, se heurtent fortement à ce goulot d’étranglement. Une alternative prometteuse est le calcul en mémoire, où une grande grille (un réseau en crossbar) de cellules mémoires contient les poids du réseau et traduit simultanément des tensions entrantes en courants de sortie représentant les calculs. De nombreux dispositifs mémoires expérimentaux ont été testés pour ce rôle, mais ils souffrent souvent d’un comportement bruité et de dérives de valeur, ce qui est risqué lorsque chaque cellule doit représenter plus qu’un simple 0 ou 1.

Faire passer la mémoire magnétique du tout‑ou‑rien à l’« analogique »

Les auteurs s’appuient sur la mémoire à accès aléatoire magnétique (MRAM), une technologie non volatile déjà appréciée pour sa vitesse, sa durabilité et sa compatibilité avec les procédés de fabrication standards. Une cellule MRAM conventionnelle est une jonction tunnel magnétique : deux couches magnétiques séparées par une barrière isolante. Selon que les couches soient alignées ou opposées, la résistance électrique de la cellule est basse ou élevée, codant un seul bit. La modification clé proposée consiste à redesigner la couche magnétique « libre » pour qu’elle ne soit plus un bloc uniforme basculant d’un seul coup. Au lieu de cela, la nouvelle architecture combine un film continu très fin posé sur une couche magnétique granulaire plus épaisse composée de nombreux petits grains magnétiques. Chaque grain peut inverser son orientation à des courants légèrement différents, de sorte que la résistance globale peut stabiliser plusieurs niveaux intermédiaires plutôt que seulement « bas » et « haut ».

Combien de nuances de magnétisme sont utiles ?

En utilisant des modèles informatiques détaillés de la dynamique magnétique, l’équipe montre que l’injection d’un courant polarisé en spin dans cette couche composite provoque un basculement progressif grain par grain. À mesure que le courant varie, l’aimantation moyenne et donc la résistance décrivent une courbe en S quasi-continue, permettant des états analogiques proches du continu. Les auteurs examinent ensuite comment les différences de fabrication entre cellules et les fluctuations thermiques aléatoires d’un cycle d’écriture à l’autre perturbent ces niveaux. Ils constatent que, si les états intermédiaires sont un peu plus bruités, les états extrêmes (complètement basculés dans un sens ou dans l’autre) restent très précis et robustes. Pour des dispositifs de taille réaliste (environ 50–75 nanomètres de côté), ils concluent que quatre niveaux de résistance distincts et fiables — équivalant à 2 bits par cellule — sont pratiques sans erreurs excessives.

De la cellule unique à l’accélérateur d’IA complet

Pour être utile, cette MRAM multi-niveaux doit être lue avec précision et intégrée à des systèmes informatiques complets. Les auteurs conçoivent et simulent un circuit de détection qui utilise un convertisseur analogique‑numérique « flash » rapide pour distinguer les quatre niveaux de résistance de chaque cellule. Ils étudient comment le contraste entre les états de conductance les plus élevés et les plus faibles influence la vitesse de lecture, la consommation d’énergie et la taille du circuit de détection, montrant qu’un meilleur contraste conduit directement à des lectures plus rapides et plus économes en énergie. Ensuite, ils intègrent leur modèle MRAM à 2 bits par cellule dans un accélérateur en mémoire simulé exécutant un réseau ResNet‑18 sur le jeu d’images CIFAR‑10. Par rapport à une base utilisant des cellules MRAM standard à 1 bit, la version multi-bit double environ la densité de stockage et réduit de moitié le nombre de tuiles crossbar nécessaires. Cela se traduit par des réductions allant jusqu’à environ 1,8× de la surface de la puce, de l’énergie et de la latence, et par plus de 3× d’amélioration du métrique combiné énergie‑délai, tout en préservant essentiellement la précision de reconnaissance du réseau.

Comment cela se compare aux autres idées de mémoire

L’étude compare également cette approche à des technologies concurrentes comme la mémoire résistive (ReRAM) et la mémoire à changement de phase, ainsi qu’à d’autres concepts magnétiques reposant sur le déplacement de parois de domaine ou de skyrmions. Bien que ces alternatives puissent aussi produire un comportement de type analogique, elles nécessitent souvent des dispositifs plus grands ou des formes particulières et ont tendance à être plus imprévisibles. En revanche, les cellules MRAM granulaires conservent la facilité de fabrication et l’endurance de la MRAM grand public tout en gagnant des niveaux de stockage supplémentaires. Des tests au niveau système suggèrent que, sous des variations réalistes, les synapses basées sur MRAM préservent la précision des réseaux neuronaux bien mieux que des conceptions similaires reposant sur des mémoires résistives plus variables, surtout lorsque les réseaux sont rendus parcimonieux pour économiser encore de l’énergie.

Ce que cela signifie pour l’IA quotidienne de demain

En termes simples, les auteurs ont montré une manière d’apprendre à une technologie mémoire magnétique éprouvée à stocker non seulement des zéros et des uns, mais aussi de petites valeurs de poids analogiques directement dans une cellule compacte. En ingénierant soigneusement une structure en couches qui répartit le comportement magnétique sur de nombreux petits grains, ils obtiennent plusieurs niveaux de résistance stables suffisamment robustes pour des tâches d’IA réelles. Lorsque ces cellules sont disposées en grands réseaux et associées à des circuits de détection appropriés, elles peuvent effectuer les calculs de base de l’apprentissage profond tout en réduisant drastiquement les déplacements de données. Si cela se concrétise en matériel, de telles synapses spintroniques multi-bit pourraient rendre les systèmes d’IA futurs — qu’ils soient en centres de données, smartphones ou capteurs embarqués — plus rapides et plus économes en énergie sans sacrifier la précision.

Citation: Gupte, K.K., Mugdho, S.S., Huang, C. et al. Scalable and robust multi-bit spintronic synapses for analog in-memory computing. npj Unconv. Comput. 3, 8 (2026). https://doi.org/10.1038/s44335-026-00055-7

Mots-clés: in-memory computing, mémoire spintronique, MRAM, matériel neuromorphique, réseaux neuronaux profonds