Les conceptions d’IA inspirées du cerveau promettent une augmentation d’efficacité de 50 %

20

Publié le 10 février 2026 12h44. Des chercheurs de l’université Carnegie Mellon ont développé une nouvelle architecture de réseaux neuronaux artificiels, les NeuTNN, inspirée du fonctionnement du cerveau humain, promettant une efficacité énergétique accrue et des performances améliorées dans le domaine de l’intelligence artificielle.

• Les NeuTNN (NeuroAI Temporal Neural Networks) s’inspirent de la structure des neurones dotés de dendrites actives pour optimiser le traitement de l’information.
• L’outil NeuTNNGen permet de traduire des modèles d’IA existants (PyTorch) en configurations NeuTNN spécifiques, simplifiant la conception et améliorant les performances.
• Des tests ont démontré une réduction des coûts synaptiques allant jusqu’à 50 % et une amélioration de l’efficacité énergétique, ouvrant la voie à une nouvelle génération de systèmes d’IA plus performants et moins gourmands en énergie.

L’intelligence artificielle progresse à un rythme soutenu, et les chercheurs explorent de nouvelles voies pour créer des systèmes plus puissants et plus efficaces. Une approche prometteuse consiste à s’inspirer du cerveau humain, véritable modèle d’efficacité énergétique et de capacité de traitement. C’est dans cette optique qu’une équipe de l’université Carnegie Mellon, composée de Shanmuga Venkatachalam, Prabhu Vellaisamy, Harideep Nair, Wei-Che Huang, Youngseok Na et Yuyang Kang, a développé une nouvelle architecture de réseaux neuronaux, baptisée NeuTNN (NeuroAI Temporal Neural Networks).

Les NeuTNN se distinguent des réseaux neuronaux temporels (TNN) traditionnels par leur conception plus complexe et plus proche du fonctionnement biologique. Ils intègrent des dendrites actives, des structures présentes dans les neurones réels qui permettent un traitement de l’information plus nuancé et plus efficace. L’architecture NeuTNN est structurée en six couches d’abstraction, contre seulement quatre pour les TNN classiques, ce qui lui confère une plus grande richesse fonctionnelle.

Pour faciliter l’adoption de cette nouvelle architecture, les chercheurs ont également développé un outil, NeuTNNGen, qui permet de traduire des modèles d’IA existants, écrits en langage PyTorch, en configurations NeuTNN spécifiques à une application donnée. Cet outil automatise une partie du processus de conception et permet d’optimiser les performances des réseaux neuronaux.

Les capacités de NeuTNNGen ont été validées à travers plusieurs tests, notamment sur des références de séries chronologiques (UCR), dans l’exploration de la conception de caractères manuscrits (MNIST) et dans la modélisation de cellules de lieu pour des cadres de référence néocorticale. Ces tests ont démontré une amélioration significative des performances et une réduction des coûts synaptiques, c’est-à-dire des coûts liés aux connexions entre les neurones, allant jusqu’à 50 %. L’élagage synaptique, une technique permettant de réduire le nombre de synapses sans compromettre la précision du modèle, a également permis de diminuer les coûts matériels de 30 à 50 %.

Cette recherche représente une avancée importante vers la création de systèmes informatiques de type cerveau, capables de traiter l’information de manière plus efficace et plus économe en énergie. Les auteurs soulignent toutefois que les travaux actuels se concentrent sur des applications spécifiques et qu’il reste encore beaucoup de travail à accomplir pour explorer tout le potentiel des NeuTNN dans un plus large éventail de domaines. Les prochaines étapes consisteront à étendre la suite d’outils NeuTNNGen et à étudier des architectures de réseaux plus complexes, afin de développer des systèmes d’IA encore plus performants et plus proches du fonctionnement du cerveau humain.