4.3b – Les memristors et l`électronique neuromorphique. - Fun-Mooc

MOOC:Comprendrelesnanosciences
4.3b – Les memristors et l’électronique neuromorphique.
Dans cette séquence nous allons parler des memristors. Donc les memristors ce sont des composants
nanométriques qui ont émergé ces dernières années qui sont extrêmement étudiés et comme leur nom l'indique
ce sont des résistances qui sont aussi des mémoires.
Et pour comprendre comment les memristors fonctionnent j'ai pris un exemple qui est schématisé ici qui est un
film de matériau Ag2S pris en sandwich entre une électrode d'argent et une électrode de platine. Et en fait les
memristors peuvent exister en différents états. Donc le premier état qui est l'état ON, qui est schématisé à
gauche. Vous pouvez voir qu'il y a un filament d'argent qui relie l'électrode d'argent à l'électrode de platine. Et
comme le courant électrique peut passer à travers ce filament, le memristor a alors une faible résistance
électrique. Dans l'autre état qui est l'état OFF, ce filament a été rompu. Et donc dans ce cas là, le composant a
une forte résistance électrique. Et en fait il est possible pour un composant de passer d'un état à l'autre.
Et pour comprendre comment, j'ai fait ce schéma. Donc ici on trace la résistance électrique d'un composant en
fonction de la tension appliquée. Donc on part de l'état de faible résistance, l'état ON où il y a ce filament entre les
deux électrodes et vous voyez qu'on peut bouger la tension sous toute une plage, la résistance du composant ne
bouge pas. Et on peut même enlever la tension et attendre des années, le composant reste dans l'état ON. Par
contre, si on applique une forte tension, vous pouvez voir que la résistance augmente brutalement. Le composant
passe dans l'état OFF. Et ce qui s'est passé est qu'il y a en fait le champ électrique a causé une réaction
d'oxydo-réduction par laquelle des atomes d'argent du filament ont rejoint l'électrode d'argent et donc le filament
a été rompu. Et maintenant que le composant est dans l'état OFF, on peut bouger la tension dans la plage où on
l'a bougé avant, la résistance reste dans l'état OFF. Et si on enlève la tension on peut laisser le composant des
années, il reste dans l'état OFF. Donc c'est pour cela qu'on a vraiment un composant mémoire, on peut le
mettre dans un état ou l'autre. Et une fois qu'il est dans un état, il y reste de manière stable. Et si on veut
retourner dans l'état ON, dans ce cas on peut appliquer une forte tension négative et dans ce là on a une autre
réaction d'oxydo-réduction par laquelle des atomes d'argent de l'électrode rejoignent le filament et donc on recrée
un filament et donc on repasse dans l'état ON.
Donc pourquoi avons nous autant de memristors à l'échelle nanométrique alors que c'est rare à l'échelle
macroscopique ? En fait cela vient d'une raison simple qui est que à l'échelle nano, il est plus facile d'avoir des
changements structuraux dans les matériaux. Puisque en fait une tension même à l'échelle macroscopique
devient un fort champ électrique à l'échelle nanométrique. Ou même un courant faible à l'échelle macroscopique
devient uns très forte densité de courant à l'échelle nanométrique. Et donc quand on a ces forts champs
électriques ou fortes densités de courant, il est possible d'engendrer des changements structuraux comme
bouger des atomes d'argent dans l'exemple que j'ai donné, qui peuvent changer la résistance d'un matériau. Et
en fait à l'échelle nanométrique il existe toutes sortes de memristors qui fonctionnent avec des effets physiques
très variés. Donc réaction d'oxydo-réduction comme on a vu, mais aussi changement de phase ou encore
électronique de spin comme étudié dans l'autre séquence de ce cours.
Et pourquoi l'émergence de ces memristors change un peu tout en électronique ? Tout d'abord ils peuvent être
utilisés comme des mémoires normales mais pas seulement. Et pour comprendre pourquoi, on peut revenir au
fonctionnement des ordinateurs. Donc de manière très schématique aujourd'hui, un ordinateur a plusieurs types
d'éléments. Il a des éléments de calcul et il y a des éléments mémoire comme la mémoire cache ou la mémoire
RAM. Et aujourd'hui, ces deux types d'éléments sont séparés. C'est vraiment l'architecture de base des
ordinateurs l'architecture de von Neumann qui les rend d'ailleurs aussi faciles à programmer et aussi
universels. Mais tout aussi efficace qu'elle soit, cette architecture gaspille beaucoup d'énergie car ces
échanges entre le calcul et la mémoire sont très couteux. Et aujourd'hui beaucoup de chercheurs font un
contraste avec le fonctionnement du cerveau. Puisque dans le cerveau, il n'y pas du tout de séparation entre les
éléments de calcul et les éléments de mémoire. La mémoire est partout et en contraste, le cerveau a une
efficacité énergétique exceptionnelle puisqu'avec seulement 20 watts il arrive à faire des taches que même les
super ordinateurs avec des mégawatts n'arrivent pas à réaliser. Et donc il y a aujourd'hui toute une recherche où
Copyright©2017,MOOCNano,COMUEUniversitéParisSaclay&UniversitéParis-Sud
MOOC:Comprendrelesnanosciences
des chercheurs essaient de s'inspirer du cerveau pour faire de l'électronique, c'est de l'électronique
neuromorphique. C'est-à-dire qu'ils font des circuits électroniques avec des éléments qui ressemblent un peu à
des éléments de calcul du cerveau, les neurones. Et des éléments qui ressemblent un peu aux éléments
mémoire du cerveau, les synapses. Et pour faire une électronique neuromorphique efficace, on a vraiment
besoin effectivement d'avoir la mémoire qui est distribuée partout dans le calcul.
Or avec l'électronique CMOS, c'est un vrai problème. Il est impossible de mettre beaucoup de mémoire au
cœur du calcul. Et c'est pour cela que les memristors qui constituent vraiment un nano-élément, un élément tout
petit qui est une mémoire non volatile et qui peut vraiment être mis au cœur du CMOS, qui pourrait vraiment
permettre à l'électronique neuromorphique de passer à l'étape supérieure, de vraiment accomplir les rêves
d'électronique neuromorphique qu'ont les chercheurs.
Donc à quoi cela peut-il servir. En fait on en a déjà une idée, puisqu'il existe déjà en informatique des
algorithmes neuronaux qui ces dernières années ont fait des progrès considérables. En fait, ces algorithmes
neuronaux ne sont pas bons pour toutes les taches. Les taches de calcul traditionnelles, les algorithmes
traditionnels sont beaucoup plus performants. En revanche, ces algorithmes neuronaux sont très bons pour faire
les taches qui sont difficiles habituellement pour les ordinateurs mais faciles pour nous.
Par exemple, en janvier 2016, pour la première fois un algorithme neuronal a battu un joueur humain au jeu de go
qui est quelque chose qu'un algorithme conventionnel n'avait jamais réussi à faire. Et ces algorithmes neuronaux
tournent maintenant sur des ordinateurs ou des cartes graphiques, et à cause de cette séparation calculmémoire, c'est extrêmement inefficace les algorithmes neuronaux utilisent énormément d'énergie quand on les
fait tourner. Et donc avec les memristors, on pourrait faire des systèmes neuromorphiques qui arriveraient à faire
tourner ces algorithmes en utilisant considérablement moins d'énergie.
Damien Querlioz
Copyright©2017,MOOCNano,COMUEUniversitéParisSaclay&UniversitéParis-Sud