L'IA neuromorphique du KIST s'entraîne six fois plus vite que celle de Google, sans surcoût matériel

L'institut sud-coréen des sciences et technologies KIST a présenté le 6 juillet 2026, lors de la conférence ICML 2026, la méthode A²SG (Adaptive and Asymmetric Surrogate Gradients). Cette technique d'entraînement des réseaux de neurones à impulsions exige environ six fois moins de calcul que la méthode de pointe de Google, pour une précision comparable.

Qu'est-ce que A²SG et pourquoi est-ce important

Les réseaux de neurones à impulsions (SNN, pour spiking neural networks) imitent le fonctionnement du cerveau biologique : ils transmettent les signaux par impulsions rares plutôt que par un flux continu de nombres, ce qui réduit fondamentalement leur consommation d'énergie par rapport aux réseaux de neurones profonds (DNN) classiques. Leur point faible : ils sont plus difficiles à entraîner, car la rétropropagation de l'erreur standard ne fonctionne pas directement sur les SNN.

Mise au point par l'équipe de Songsik Park, chercheur senior au département des technologies des semi-conducteurs du KIST, la méthode A²SG résout ce problème grâce à des gradients de substitution adaptatifs et asymétriques, conçus pour les architectures SNN de type transformer.

• Gain de précision : niveau mondial sur le benchmark ImageNet
• Surcoût de calcul : environ 1/6 de celui de la méthode de Google
• Mise en œuvre : purement logicielle, aucune modification du matériel requise
• Applications : smartphones, objets connectés portables, drones, capteurs fonctionnant 24 heures sur 24
• Publication : arXiv (DOI : 10.48550/arxiv.2606.11236), ICML 2026, Séoul, du 6 au 11 juillet 2026

Ce qui change dans l'approche de l'entraînement

La principale différence avec les méthodes précédentes : A²SG est à la fois adaptative et asymétrique. Les gradients de substitution traditionnels appliquent la même fonction à tous les neurones et dans toutes les directions d'apprentissage. A²SG ajuste la forme du gradient à chaque neurone selon son activité, et applique des stratégies distinctes à la passe avant et à la passe arrière. C'est ce qui procure un gain d'efficacité sans perte de qualité.

«

Cette recherche lève les obstacles structurels de l'IA neuromorphique et renforce son potentiel d'application pratique », affirme Songsik Park, chercheur principal au KIST.

Selon arXiv, la méthode a produit des améliorations constantes sur des réseaux de tailles variées et sur différentes tâches. Le doctorant Kang Yechan est le premier auteur de l'article.

Ce que cela signifie

L'IA neuromorphique sort de sa niche académique : si A²SG parvient à être commercialisée, et le KIST a déjà annoncé son intention de développer des puces d'IA à faible consommation fondées sur le RPU (Random Processing Unit), les appareils dotés d'IA pourront fonctionner sans soutien permanent du cloud, avec une consommation de quelques fractions de watt, là où les centres de données consomment des mégawatts.

Questions fréquentes

Qu'est-ce qu'un réseau de neurones à impulsions et en quoi est-il

meilleur qu'un réseau classique ?

Un réseau de neurones à impulsions (SNN) transmet l'information par impulsions rares, comme les neurones du cerveau, et non par un flux continu de nombres. Cela réduit la consommation d'énergie de plusieurs ordres de grandeur par rapport aux DNN classiques, pour une qualité de résultat comparable sur un certain nombre de tâches.

Faut-il changer le matériel pour utiliser A²SG ?

Non. La méthode est entièrement logicielle : il n'est pas nécessaire de changer les processeurs ni les puces, ce qui abaisse fortement la barrière à l'adoption.