L’intelligence artificielle a un problème d’énergie. Un problème colossal, même — et qui s’aggrave à chaque nouveau modèle lancé. Des chercheurs de l’Université de Cambridge viennent peut-être de poser la première brique d’une réponse durable : un composant nanoélectronique publié le 20 mars dans Science Advances, capable de réduire jusqu’à 70% la consommation énergétique de l’intelligence artificielle. Bienvenue dans l’ère de l’informatique neuromorphique.
À retenir
- Un nouveau memristor IA à base d’oxyde de hafnium dopé strontium-titane, développé par Cambridge, stocke et traite l’information au même endroit — c’est le principe du calcul en mémoire.
- Les courants de commutation sont environ un million de fois plus faibles que ceux des puces conventionnelles, ouvrant la voie à une vraie puce IA basse consommation.
- Le dispositif reproduit la plasticité synaptique biologique, avec des centaines de niveaux de conductance stables.
- Obstacle majeur : une température de fabrication de 700 °C incompatible avec les chaînes CMOS actuelles.
- Une demande de brevet a été déposée via Cambridge Enterprise, signal d’une volonté de commercialisation.
Quand le cerveau inspire la puce
L’architecture classique des ordinateurs — processeur d’un côté, mémoire de l’autre — date des années 1940. Elle n’a jamais été conçue pour faire tourner des modèles de langage ou des réseaux de neurones artificiels. Le résultat : une consommation énergétique de l’intelligence artificielle qui explose. Selon l’Agence internationale de l’énergie, les centres de données et systèmes IA américains ont consommé environ 415 térawattheures en 2024 — plus de 10% de la production électrique nationale — et ce chiffre devrait doubler d’ici 2030.
C’est précisément ce goulot d’étranglement que l’informatique neuromorphique cherche à résoudre. L’idée : s’inspirer du cerveau humain, où mémoire et traitement coexistent dans le même neurone, pour concevoir des puces qui ne gaspillent plus d’énergie à faire transiter des données entre deux unités séparées. Et le memristor — contraction de memory et resistor — est l’élément central de cette vision.
Le pari de Cambridge sur l’oxyde de hafnium
La plupart des memristors IA existants reposent sur des filaments conducteurs microscopiques qui se forment à l’intérieur d’un oxyde métallique. Pratique sur le papier, imprévisible en réalité : ces filaments se comportent de façon erratique, nécessitent des tensions élevées et vieillissent mal. L’équipe du Dr Babak Bakhit, du département de science des matériaux et de métallurgie de Cambridge, a choisi une voie radicalement différente.
En ajoutant du strontium et du titane à l’oxyde de hafnium, puis en faisant croître le film en deux étapes soigneusement contrôlées, les chercheurs ont créé des jonctions p-n asymétriques à l’intérieur du matériau. Ces jonctions modifient leur résistance de manière progressive — par variation de barrière énergétique à l’interface — plutôt que par le claquage volatile des filaments. Le calcul en mémoire devient alors possible avec une précision et une stabilité inédites : des centaines de niveaux de conductance distincts, stables, reproductibles. C’est exactement ce que réclame une puce IA basse consommation digne de ce nom.
Trois ans, des centaines d’échecs, un matin de novembre
La recherche fondamentale ressemble rarement aux communiqués de presse. Babak Bakhit le sait mieux que quiconque. « J’ai passé près de trois ans là-dessus. Il y a eu un nombre considérable d’échecs. Mais fin novembre, nous avons vu les premiers résultats vraiment probants », confie-t-il. Cette honnêteté-là, rare dans un domaine où l’on publie les succès et range les échecs dans un tiroir, dit quelque chose d’important : cette avancée n’est pas tombée du ciel.
Anecdote révélatrice : l’oxyde de hafnium n’est pas un matériau exotique. Il équipe déjà les transistors de nos smartphones depuis des années, utilisé comme isolant de grille dans les puces Intel et TSMC. Ce qui est nouveau ici, c’est de lui faire jouer un rôle de commutateur résistif analogique — un changement de paradigme qui demande une maîtrise chimique extrêmement fine de la composition et de la microstructure du film. Les tests ont confirmé que le dispositif peut encaisser des dizaines de milliers de cycles de commutation et reproduire des règles d’apprentissage biologiques comme la plasticité dépendante du moment des potentiels d’action — le mécanisme par lequel un neurone renforce ou affaiblit ses connexions selon le timing des signaux.
Une vague mondiale d’informatique neuromorphique
Cambridge n’est pas seul à repousser les frontières de l’informatique neuromorphique en ce début 2026. Le 9 mars, une équipe de l’Université de Californie à San Diego a publié dans Nature Nanotechnology une plateforme neuromorphique construite sur du nickelate de néodyme dopé à l’hydrogène — un matériau quantique qui intègre mémoire et calcul sur une seule puce. Ce système a démontré des performances supérieures sur la reconnaissance de chiffres parlés et la détection précoce de crises d’épilepsie, fonctionnant à environ 0,2 nanojoule par opération.
Deux jours plus tôt, l’Université Tufts dévoilait une approche encore différente : une IA neuro-symbolique combinant réseaux de neurones et raisonnement symbolique, qui consomme 100 fois moins d’énergie que les LLM classiques tout en atteignant 95% de réussite sur des tâches complexes contre 34% pour les modèles standards. Trois équipes, trois matériaux, trois architectures différentes — mais une même obsession : en finir avec la consommation énergétique de l’intelligence artificielle telle qu’elle existe aujourd’hui.
L’obstacle des 700 °C
Tout serait parfait si la fabrication ne posait pas un problème de taille. Le memristor de Cambridge requiert des températures de dépôt autour de 700 °C — bien au-delà des 400 °C maximum que tolèrent les procédés CMOS utilisés dans les usines de semi-conducteurs modernes. En clair, on ne peut pas encore intégrer ces dispositifs directement sur une puce existante.
« Réduire la température de fabrication est notre objectif immédiat. Une fois atteint, intégrer ces memristors à l’échelle d’une puce représenterait une avancée majeure — potentiellement transformatrice pour le matériel IA », déclare Bakhit. Cambridge Enterprise, le bras commercial de l’université, a déjà déposé une demande de brevet. L’horloge tourne : dans une industrie où Intel, TSMC et Samsung investissent massivement dans les nouvelles architectures mémoire, la fenêtre pour transformer une publication académique en technologie industrielle ne reste jamais ouverte très longtemps.
