L'université d'Oakland simule un neurone artificiel à partir d'un aimant et d'un transistor
Des chercheurs de l'université d'Oakland affirment qu'une jonction tunnel magnétique associée à un simple commutateur NMOS reproduit un comportement de décharge, même si la démonstration d'apprentissage automatique a été réalisée en simulation
Par Letizia Giugliano
4 min de lecture

Des ingénieurs de l'université d'Oakland, dans le Michigan, ont conçu un neurone électronique composé de deux éléments : un transistor ordinaire et une jonction magnétique nanométrique. Selon eux, le comportement de type neuronal, y compris la cadence des pics électriques, découle de la physique de l'aimant plutôt que d'un circuit de commande ajouté. L'équipe a publié ces travaux dans IEEE Transactions on Circuits and Systems.
Comment une jonction magnétique produit un pic
Une moitié du circuit est une jonction tunnel magnétique (MTJ), cette invention nanométrique déjà utilisée dans la mémoire magnétorésistive à accès aléatoire, ou MRAM. Elle se compose de couches magnétiques séparées par une barrière isolante extrêmement fine, et l'une de ces couches peut pivoter lorsqu'un courant la traverse. L'autre moitié est un simple transistor NMOS, l'interrupteur tout-ou-rien présent dans toutes les puces modernes, qui fixe le courant traversant l'aimant. Les électrons portent une propriété appelée spin, une petite orientation magnétique, et en se déplaçant ils exercent sur la couche magnétique une force de torsion appelée couple de transfert de spin. Lorsque la couche pivote, la résistance de la jonction change et la tension du circuit se décale. Dans les bonnes conditions, cela produit la brève impulsion, ou pic, qu'un neurone utilise pour signaler.
« Le cerveau humain consomme 20 watts pour fonctionner ; un modèle d'IA typique a besoin d'environ 500 fois plus pour l'inférence, et de 50 fois plus encore pour chaque question qu'on lui pose. »
— Dr Steven Louis, chercheur principal, université d'Oakland
« C'est trop de puissance pour des appareils du quotidien. Nous voulons que l'IA fonctionne localement, sans dépendre d'immenses centres de données. »
— Dr Steven Louis, chercheur principal, université d'Oakland
Des seuils et une période réfractaire sans circuits supplémentaires
Les neurones biologiques additionnent les signaux entrants, ne se déclenchent qu'une fois le total au-dessus d'un seuil, puis marquent une brève pause avant de pouvoir se déclencher à nouveau. La simulation d'Oakland reproduit le déclenchement à seuil, la latence, les périodes réfractaires, l'intégration synaptique et l'inhibition. Un neurone électronique classique a généralement besoin de nombreux transistors et d'une logique de commande dédiée pour en faire autant. Ici, selon l'équipe, ces comportements découlent de la dynamique magnétique d'une seule jonction. Steven Louis, qui dirige le groupe, présente l'objectif comme computationnel : le circuit copie le comportement qui rend les neurones utiles, pas la biologie qui les sous-tend.
À lire aussi sur The Patent : Des cellules de hamster conservent des chromosomes d'algue pendant 155 générations · Des chercheurs d'Auckland testent un coach vocal par IA pour le diabète de type 2
Photo : Fabio Sasso / Unsplash
Un test XOR réalisé en logiciel
Des réseaux de neurones simulés ont été confrontés à la porte XOR, un test de référence classique en intelligence artificielle, et l'ont apprise en exploitant la cadence des pics plutôt que des signaux numériques classiques. Le résultat reste une petite démonstration, et la limite est claire : le travail repose sur la simulation. L'article ne décrit aucune puce fabriquée ni aucune mesure de consommation pour le circuit complet. TechXplore a rendu compte de l'étude le 17 novembre 2026.
20 watts contre 500 fois plus
L'argument en faveur de cette conception est l'énergie. Louis chiffre le cerveau humain à 20 watts et affirme qu'un modèle d'IA typique a besoin d'environ 500 fois plus pour l'inférence, plus 50 fois encore pour chaque question posée. Les machines classiques séparent la mémoire et le traitement : un processeur va chercher des données, les traite et réécrit le résultat. Les GPU rendent ce flux efficace, mais le va-et-vient des données entre mémoire et calcul coûte toujours de l'énergie. Le matériel neuromorphique cherche à supprimer ce trajet en conservant un état dans un dispositif physique qui stocke l'information et participe au calcul. Dans ce circuit, l'aimantation changeante de la jonction contribue à décider du moment où le neurone se déclenche ; elle n'est pas simplement lue.
La publication ne mentionne aucun dépôt de brevet
L'article présente un concept de dispositif et des résultats de simulation. Il ne cite aucune demande de brevet, aucun brevet délivré ni accord de concession de licences avec une start-up, et la source n'indique pas que l'université d'Oakland ait cherché à protéger la conception. La situation en matière de propriété intellectuelle n'est donc pas précisée. Ce que les inventeurs présentent comme leur innovation, c'est l'usage de la dynamique propre à une MTJ, plutôt que d'un circuit ajouté, pour générer des pics de type neuronal. Savoir si cela aboutira à un dépôt n'est pas dit par les sources, même si le concept pourrait intéresser des domaines allant de la robotique à l'espace.
Article assisté par IA
Traduit automatiquement de l’original en anglais. Lire l’original



