Нейроморфный ИИ из KIST обучается в шесть раз быстрее Google — без лишних аппаратных затрат

L'Institut coréen des sciences et des technologies KIST a présenté le 6 juillet 2026, lors de la conférence ICML 2026, la méthode A²SG (Adaptive and Asymmetric Surrogate Gradients) — une technique d'entraînement pour les réseaux de neurones à impulsions qui nécessite environ six fois moins de ressources de calcul que la méthode phare de Google, pour une précision comparable.

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

Les réseaux de neurones à impulsions (SNN) imitent le fonctionnement du cerveau biologique : ils transmettent des signaux sous forme d'impulsions éparses plutôt que d'un flux continu de nombres, ce qui entraîne une consommation d'énergie fondamentalement inférieure à celle des réseaux de neurones profonds conventionnels (DNN). Le problème est qu'ils sont plus difficiles à entraîner, car la méthode standard de rétropropagation ne fonctionne pas directement pour les SNN.

La méthode A²SG, développée par une équipe dirigée par le chercheur principal Songsik Park, de la Division des technologies des semi-conducteurs du KIST, résout ce défi grâce à des gradients de substitution adaptatifs et asymétriques pour les architectures de transformateurs basées sur les SNN.

• Gain de précision — niveau mondial sur le benchmark ImageNet
• Surcharge de calcul — environ 1/6 de la méthode de Google
• Implémentation — entièrement logicielle, aucune modification matérielle requise
• Applicabilité — smartphones, appareils portables, drones, capteurs 24 heures
• Publication — arXiv (DOI: 10.48550/arxiv.2606.11236), ICML 2026, Séoul, 6–11 juillet 2026

Ce qui a changé dans l'approche d'entraînement

La différence clé de cette méthode par rapport à ses prédécesseurs est qu'elle 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'entraînement. A²SG adapte la forme du gradient à chaque neurone en fonction de son activité et applique des stratégies différentes pour les passes directe et inverse. C'est précisément ce qui permet un gain d'efficacité sans perte de qualité.

«

Cette recherche élimine les problèmes structurels de l'IA neuromorphique, renforçant le potentiel des applications pratiques », — Songsik Park, chercheur principal au KIST.

Selon arXiv, la méthode a montré des améliorations cohérentes sur des réseaux de neurones de différentes tailles et dans diverses tâches. Le premier auteur de l'article est le doctorant Kang Yechan.

Ce que cela signifie

L'IA neuromorphique sort de sa niche académique : si A²SG parvient à être commercialisé — et le KIST a déjà annoncé des plans pour créer des puces IA à faible consommation d'énergie basées sur le RPU (Random Processing Unit) — les appareils dotés d'IA pourront fonctionner sans soutien cloud permanent et avec des fractions de watt de consommation, au lieu des mégawatts des centres de données.

Questions fréquentes

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

supérieur à un réseau conventionnel ?

Un réseau de neurones à impulsions (SNN) transmet l'information sous forme d'impulsions éparses, comme les neurones du cerveau, plutôt que sous forme de flux continu de nombres. Cela réduit la consommation d'énergie de plusieurs ordres de grandeur par rapport aux DNN classiques — tout en atteignant une qualité de résultats comparable sur un certain nombre de tâches.

Faut-il changer le matériel pour utiliser A²SG ?

Non. La méthode est entièrement implémentée en logiciel — il n'est pas nécessaire de remplacer des processeurs ou des puces, ce qui réduit considérablement le seuil d'adoption.