Une étude, dont les résultats intitulés «Spin-Transfer Torque Magnetic Memory as a Stochastic Memristive Synapse for Neuromorphic Systems» ont été publiés dans la revue IEEE Transaction on Biomedical Circuits and Systems, a permis de décrypter les mécanismes physiques impliqués dans des mémoires informatiques magnétiques de nouvelle génération et de montrer que de tels mécanismes pouvaient être utilisés comme les 'synapses' d'un nouveau type de système informatique neuro-inspiré, capable d'apprendre comment stocker et restituer des informations.

Rappelons tout d'abord qu'aujourd'hui, il existe deux grandes catégories de mémoire informatique: d'une part, les mémoires volatiles, «capables de traiter un grand nombre de données dans un temps très court» qui «sont dépendantes d'une alimentation électrique continue pour conserver les informations qu'elles ont enregistrées» et, d'autre part, «les mémoires non-volatiles, comme les clés USB ou les CD», non dépendantes d'une source électrique mais qui sont beaucoup moins rapides.

Toutefois, actuellement, une alternative, «les mémoires magnétiques (ST-MRAM), qui combinent rapidité de traitement et indépendance énergétique» («les données n'étant pas stockées sous forme d'une charge électrique mais d'une orientation magnétique», est en cours d'élaboration, mais «le coût énergétique élevé de sa programmation» est un problème majeur.

Plus précisément, si la mise sous tension, «pour programmer les jonctions tunnel magnétiques (MTJ), nanocomposants de base de ces mémoires», n'est pas assez longue, «la programmation peut être incorrecte, avec un degré de hasard qui dépend de la durée de l'impulsion de programmation».

Donc, dans le cas d'un usage plus conventionnel de la mémoire, qui exclut cette 'programmation probabiliste', «la mise sous tension des MTJ doit être prolongée, pour s'assurer avec un niveau de confiance suffisant» ce qui aboutit, de facto, à «une consommation énergétique importante».

Cependant, l'étude ici présentée vient de montrer «que la programmation probabiliste des MTJ peut devenir un avantage» en proposant «une utilisation des MTJ comme 'synapses' (connexions) d'un système dont le fonctionnement est inspiré du cerveau humain, c'est-à-dire consommant très peu d'énergie tout en ayant une très grande capacité de traitement de données».

La programmation probabiliste devient alors «une façon pour le système d'apprendre, après plusieurs répétitions, sa fonction» de sorte que «comme pour les synapses du cerveau humain, plus les MTJ sont sollicitées, plus l'information a de chances d'être enregistrée».

Ainsi, les simulations numériques réalisées font apparaître qu'un tel système «peut résoudre efficacement, c'est-à-dire rapidement et en consommant peu d'énergie, des tâches cognitives comme les analyses d'images ou de vidéos, contrairement aux systèmes de mémoires actuelles».