La plupart des puces neuromorphiques empruntent leur architecture au cortex cérébral, la région du cerveau qui pense. Une équipe de l’université Northwestern a au contraire construit une puce à partir d’une partie du cerveau entièrement différente. Le cervelet, cette structure de la taille d’un poing située à l’arrière du crâne, ne raisonne pas tant qu’il ne prédit ; il compare en permanence ce que le corps s’apprête à faire à ce qu’il s’attend à voir se produire, et sa signature computationnelle n’est pas l’amplification, mais la retenue. La puce qui l’imite, présentée le 10 juillet dans Nature Communications, fonctionne de la même manière : elle reste silencieuse face à l’attendu et ne dépense son énergie que pour l’inattendu.
Le matériel est construit à partir de memtransistors en disulfure de molybdène, des dispositifs qui combinent mémoire et effet transistor dans un seul canal d’épaisseur atomique, éliminant le va-et-vient constant de données entre unités de mémoire et de traitement séparées qui ralentit les ordinateurs conventionnels. Les dispositifs de Northwestern ajoutent une particularité : l’asymétrie. Une électrode entre en contact directement avec le semi-conducteur tandis que l’autre se trouve en partie au-dessus, séparée par une fine extension isolante. En inversant la polarité de la tension, le même dispositif se reconfigure entre deux modes que l’équipe appelle excitateur et inhibiteur, reflétant les signaux concurrents qui maintiennent l’équilibre des circuits du cervelet.
Pourquoi l’équilibre compte
Dans le cervelet, les signaux excitateurs et inhibiteurs s’annulent normalement mutuellement. Les cellules granulaires excitent les cellules de Purkinje, ces grandes neurones de sortie célèbres pour la plus forte facilitation à court terme du cerveau, tandis que les interneurones de la couche moléculaire assurent une inhibition feed-forward. Lorsqu’une entrée familière arrive, les deux signaux restent en équilibre et le circuit répond de façon prévisible. Lorsque quelque chose de nouveau apparaît, l’équilibre bascule et le réseau signale le changement.
Les memtransistors reproduisent cette danse dans le matériel. En configuration excitatrice, les dispositifs présentent une réponse progressive à décroissance lente, analogue à l’accumulation de facilitation à la synapse entre cellule granulaire et cellule de Purkinje. En configuration inhibitrice, ils répondent brusquement et s’estompent rapidement, imitant l’inhibition feed-forward. Une entrée inédite pousse la matrice hors de l’équilibre, et cette suppression transitoire est le signal que le système lit comme une anomalie. L’équipe, dirigée par le spécialiste des matériaux Mark Hersam, la neurobiologiste Indira Raman et l’ingénieur électricien Amit Trivedi de l’université de l’Illinois à Chicago, appelle ce comportement émergent la différenciation, le même mot que les neuroscientifiques emploient pour la capacité des cellules de Purkinje à distinguer des schémas d’entrée.
Les chiffres
Les performances annoncées s’accompagnent d’une réserve sur la manière dont elles ont été mesurées. Lors de tests sur électrocardiogrammes simulés, le système a signalé les arythmies avec une précision supérieure à 98 %, contre 70 à 80 % pour les méthodes de référence classiques, et a détecté les anomalies en un cinquième de battement cardiaque. Il a atteint une précision de 100 % 2,4 fois plus vite qu’un modèle transformer, l’architecture standard des IA modernes de langage et d’image. Et il lui a fallu environ 10 000 fois moins d’opérations que les approches à base de silicium pour y parvenir.
Les résultats d’ECG proviennent de simulations de réseau construites à partir de données mesurées sur des dispositifs individuels, et non d’une puce entièrement intégrée fonctionnant sur la poitrine d’un patient. Le facteur de 10 000 compte des opérations, et non une consommation d’énergie mesurée ; les économies d’énergie sont déduites plutôt que directement évaluées. Hersam est explicite sur l’écart entre la démonstration et le produit : l’équipe n’a pas porté les memtransistors au niveau des puces de silicium commerciales. Le rendement de fabrication des dispositifs était d’environ 70 %, les canaux mesurent quelques centaines de nanomètres de long, et la matrice de démonstration est un réseau crossbar de 10 par 1, bien loin des milliards de transistors d’un processeur moderne.
Ce que le cervelet apporte
L’affirmation qu’il faut prendre au sérieux n’est pas que cette puce surpasse tous les systèmes d’IA, mais qu’elle accomplit une tâche précise avec une fraction de la machinerie. La détection en continu, ce type de surveillance permanente dont un moniteur cardiaque portable ou un véhicule autonome a besoin, est brutalement inefficace sur du matériel conventionnel, qui doit traiter chaque image, chaque battement, chaque échantillon, au cas où quelque chose compterait. Une architecture de type cervelet inverse la logique : la routine est bon marché parce que le matériel est conçu pour la réprimer, et seul le moment anormal, l’arythmie, le piéton qui s’engage sur la route, déclenche une réponse complète.
C’est le même principe de conception que le cervelet applique au contrôle moteur, où le cerveau doit réagir aux perturbations en quelques dizaines de millisecondes sans la latence de la pensée consciente. La prochaine cible de l’équipe de Northwestern est l’habituation, la capacité du cervelet à apprendre ce qui compte comme routine en premier lieu, ce qui permettrait à la puce d’adapter sa définition de la normale au fil de ce qu’elle observe. Le groupe a également montré que l’approche se généralise au-delà des électrocardiogrammes, en démontrant la détection de nouveauté sur des chiffres manuscrits et de l’audio parlé.
Ce travail s’inscrit dans un mouvement plus large de l’informatique en périphérie (edge computing), où ce sont les contraintes d’énergie, et non l’intelligence brute, qui constituent la limite contraignante. Les centres de données consomment déjà des centaines de térawattheures d’électricité par an, et faire tourner un grand modèle sur chaque appareil portable n’est pas une option. Les puces qui empruntent l’économie du cervelet, qui dorment pendant les passages ennuyeux, sont une voie plausible pour sortir de cette impasse. Le circuit le plus ancien du cerveau, semble-t-il, avait depuis toujours la bonne intuition en matière d’attention : la ressource rare n’est pas la capacité de réagir, mais la capacité de savoir quand ne pas le faire.
Sources
1. Min-A Kang, Spencer T. Brown, Nethmi Jayasinghe, et al., “Cerebellum-inspired memtransistors enable emergent differentiation for hardware-efficient novelty detection,” Nature Communications (2026), published July 10, 2026. DOI: 10.1038/s41467-026-75212-4. PMID: 42431950. https://www.nature.com/articles/s41467-026-75212-4
2. Owen Hughes, “New AI chip mimics the human brain’s capacity for split-second motor control… 10,000 times fewer calculations,” Live Science, August 11, 2026. https://www.livescience.com/technology/electronics/new-ai-chip-mimics-the-human-brains-capacity-for-split-second-motor-control-it-solved-problems-using-10-000-times-fewer-calculations
3. Amanda Morris, “AI gets a cerebellum,” Northwestern Now, July 10, 2026. https://news.northwestern.edu/stories/2026/07/ai-gets-a-cerebellum
4. Semiconductor Engineering, “Research Bits: July 14,” 2026. https://semiengineering.com/research-bits-july-14/
5. Neuroscience News, “AI cerebellum memtransistor,” July 10, 2026. https://neurosciencenews.com/ai-cerebellum-memtransistor-31036
6. PubMed record: https://pubmed.ncbi.nlm.nih.gov/42431950/
Traduit par Lydie