)
Informatique Neuromorphique dans le contrôle de qualité industriel
Un Nouveau modèle de Computation
L'informatique neuromorphique, une technologie cherchant à reproduire l'efficacité et la puissance de traitement du cerveau, peut améliorer les applications industrielles exigeantes, en particulier dans le domaine du contrôle de la qualité visuelle en temps réel. L'approche de Reply offre des avantages significatifs en termes de consommation d'énergie, de vitesse et d'évolutivité.
Émuler le plan du cerveau
Le terme "neuromorphique" est choisi avec précision, car cette forme de calcul vise à reproduire l'activité complexe des neurones biologiques dans tous ses aspects significatifs. Contrairement à l'apprentissage profond classique, où le concept de neurone est plus abstrait, les neurones au sein d'un système neuromorphique possèdent leur propre sens distinct du timing et de la fréquence.
L'opération centrale se concentre sur le "spike", ou "événement de tir". À l'intérieur d'une puce neuromorphique, des neurones individuels à pointes accumulent les signaux entrants au fil du temps, tout comme l'accumulation d'un potentiel de membrane chez leurs homologues biologiques. Lorsque cette charge interne atteint un seuil spécifique, le neurone déclenche un spike, transmettant des informations à d'autres nœuds du réseau. Ce processus déclenché par des événements forme la base des Réseaux Neuraux à Pointes (SNN), qui sont des systèmes intrinsèquement dynamiques et récurrents capables de traiter des données où la temporalité est essentielle.
Architectures matérielles de base
Le matériel qui permet cela peut être largement classé en deux types : des systèmes entièrement asynchrones et des systèmes partiellement asynchrones. Dans un système entièrement asynchrone, chaque cœur au sein de la puce fonctionne avec son propre timing et sa propre fréquence indépendants, un design qui reflète le plus fidèlement la nature éparse et efficace des calculs du cerveau. Cette architecture est illustrée par le Loihi 2 d'Intel, actuellement l'une des puces neuromorphiques les plus en vue au monde. En revanche, les systèmes partiellement asynchrones utilisent un traitement synchrone au sein des cœurs individuels mais emploient des protocoles asynchrones pour la communication entre eux. Ce modèle hybride peut entraîner des gains significatifs en efficacité matérielle et en accélération des performances. Ce type de conception matérielle est intégré dans deux puces emblématiques : SpiNNcloud's SpiNNaker 2 et TrueNorth d'IBM.
Efficacité énergétique sans précédent
Un avantage principal des systèmes neuromorphiques est leur remarquable efficacité énergétique. Dans un environnement où la consommation d'énergie est une contrainte de conception critique, cette technologie offre une avancée significative. Le matériel neuromorphique peut offrir des économies d'énergie allant jusqu'à 100 fois par rapport aux CPU conventionnels et environ 30 fois par rapport aux GPU, ce qui en fait une solution viable pour l'informatique en périphérie et les déploiements d'IA à grande échelle où l'énergie est précieuse.
Scalabilité et performance améliorées
L'architecture de l'informatique neuromorphique est intrinsèquement conçue pour la scalabilité. Ces systèmes peuvent être étendus à des réseaux massifs, avec des plateformes comme Hala Point d'Intel gérant plus d'un milliard de neurones, une échelle qui pose un défi considérable pour les systèmes traditionnels. Cette scalabilité est accompagnée d'un saut substantiel en performance. Pour les tâches de vision par ordinateur, ces systèmes peuvent atteindre une accélération de l'inférence de 120 fois, permettant une prise de décision complexe en temps réel.
Acquisition de données intelligentes via des caméras d'événements
Les principes neuromorphiques s'étendent également à l'acquisition de données grâce à l'utilisation de caméras événementielles. Contrairement aux caméras traditionnelles qui capturent des images entières à intervalles fixes, enregistrant souvent des données redondantes, les caméras événementielles fonctionnent de manière asynchrone. Elles capturent des données uniquement lorsqu'un changement de luminosité d'un pixel est détecté. Cela donne lieu à un flux de données sparse mais hautement informatif qui réduit considérablement les besoins en stockage et en traitement. Dans un exemple pratique, une approche basée sur les événements a réduit un ensemble de données de 32 gigaoctets à seulement 7 gigaoctets.
Informatique neuromorphique dans le contrôle de la qualité
Le domaine exigeant du contrôle de qualité visuel industriel représente une application idéale pour la technologie neuromorphique. Les environnements de fabrication nécessitent une détection des défauts en temps réel et avec une grande précision, une tâche dont les exigences strictes en matière de vitesse et d'efficacité s'alignent parfaitement avec les capacités des systèmes neuromorphiques.
Pour répondre à ce besoin, des modèles d'IA établis sont adaptés au paradigme neuromorphique. Un exemple est Spiking-YOLO, une version réingénierie du célèbre cadre de détection d'objets YOLO. Ce modèle utilise des neurones à impulsion pour traiter les données visuelles. L'architecture spécifique utilisée dans un projet récent est une implémentation hautement optimisée qui fusionne les couches computationnelles pour améliorer l'efficacité lors du déploiement sur du matériel neuromorphique.
Détection multi-objets pour la conduite autonome
Dans une application pratique axée sur la détection multi-objets pour la conduite autonome, un ensemble de séquences de conduite a été converti en un format semblable à un événement à l'aide d'un simulateur. Les résultats étaient frappants : alors que la voiture était en mouvement, les données basées sur les événements capturaient le contexte complet de l'environnement environnant, y compris d'autres véhicules et le paysage. Cependant, au moment où la voiture s'est arrêtée, les parties statiques de la scène ont disparu du flux de données, démontrant l'accent inhérent du système sur le changement pertinent.
Le modèle a été pré-entraîné sur l'ensemble de données Common Objects in Context (COCO) puis entraîné davantage sur l'ensemble de données multi-objets BDD, avec des tests d'inférence initiaux réalisés via un simulateur classique. La prochaine étape du développement consiste à réentraîner ce modèle directement sur les données basées sur les événements converties en accédant aux capacités du matériel neuromorphique.
Une perspective sur l'automatisation intelligente
L'informatique neuromorphique est parfaite pour le déploiement sur des dispositifs en périphérie, qui sont courants dans les environnements industriels mais qui ont souvent des limitations matérielles et de mémoire significatives. La combinaison de haute performance, de faible consommation d'énergie et de gestion efficace de la mémoire fait des systèmes neuromorphiques une solution idéale pour des tâches telles que la reconnaissance d'images en temps réel sur un sol de fabrication.
Reply envisage une ligne de production où une caméra d'événements surveille en permanence les produits, avec une puce neuromorphique identifiant instantanément les anomalies et alertant le personnel, tout en fonctionnant dans les contraintes strictes d'un dispositif en périphérie. Bien que ces algorithmes ne soient pas encore prêts pour des défis cognitifs hautement complexes, l'expérience de Reply montre que leurs capacités actuelles marquent déjà un pas significatif en avant pour l'automatisation industrielle intelligente.
Data Reply, en tant que partie du groupe Reply, aide les clients à devenir axés sur les données. Data Reply est actif dans divers secteurs et domaines d'activité et travaille intensivement avec les clients afin qu'ils puissent obtenir des résultats significatifs grâce à l'utilisation efficace des données. À cette fin, Data Reply se concentre sur le développement de plateformes d'analyse de données, de solutions d'apprentissage automatique et d'applications de streaming - automatisées, efficaces et évolutives - sans compromettre la sécurité informatique.