Nature Sensors : Des ingénieurs de l'USC créent une puce neuromorphique de la taille d'une pièce qui apprend sans batterie
Des chercheurs de l'University of Southern California (USC) ont mis au point un dispositif analogique à base de memristors capable de traiter des signaux (lumière, pression) et d'apprendre sur place, alimenté uniquement par l'énergie de ces signaux. La technologie en couverture de Nature Sensors permet une « intelligence sans infrastructure » pour les capteurs médicaux, les lunettes intelligentes et les implants qui fonctionnent pendant des années sans recharge.
Mort du dogme numérique : pourquoi la puce analogique de l'USC tue silencieusement l'IA cloud — sans batterie
[Le cœur du sujet] : Ce qui se passe vraiment
Vous êtes-vous déjà demandé pourquoi votre tracker de fitness rend l'âme au bout de trois jours, alors qu'un implant neuronal reste de la science-fiction ? Parce que tous les appareils électroniques modernes souffrent de schizophrénie : le capteur lit le monde analogique (lumière, pression, température), puis le convertisseur analogique-numérique (ADC) gaspille de l'énergie pour le transformer en zéros et en uns, le processeur en consomme encore plus pour traiter ces bits, la mémoire en brûle davantage pour les stocker — tout ça pour que l'appareil puisse enfin annoncer « pouls 72 ». Le professeur J. Joshua Yang de l'USC s'est simplement demandé : pourquoi ?
Le 2 juin 2026, dans un article de couverture de Nature Sensors, son équipe (co-auteur le postdoctorant Seung Ju Kim, financée par le CONCRETE Center avec le soutien de l'USAF et de l'US Army) a présenté un dispositif qui brise cette chaîne vieille de 70 ans. Ils ont construit un circuit utilisant deux types de memristors (diffusifs et dérivants) qui prend le signal brut directement d'une photodiode ou d'un élément piézoélectrique et, sur place — sans alimentation externe, sans ADC, sans cloud — extrait des motifs et les stocke. La lumière frappe le capteur — cette même énergie lumineuse alimente le memristor. La pression comprime l'élément piézo — l'impulsion mécanique elle-même alimente le circuit. « Le signal n'est pas seulement une donnée à traiter », a déclaré Yang à USC Viterbi. « C'est aussi la source d'énergie qui alimente le système. »
Pourtant, le détail que tout le monde manque quand on entend « auto-alimenté » n'est pas un gain d'efficacité de 30 à 40 %. Yang décrit un changement de paradigme fondamental. Les centres de données mondiaux consomment déjà 1 à 2 % de l'électricité mondiale en 2026, et ce chiffre double tous les quatre ans. D'ici 2030, cette part atteindra 4 à 5 %. Nous multiplions des milliards de zéros et de uns juste pour reconnaître un chat sur une photo. Le cerveau fait le même travail avec 20 watts. Le cerveau ne convertit jamais la lumière en chiffres ; il fonctionne avec des potentiels d'action analogiques. La puce de l'USC fait de même. Ce n'est pas « un autre prototype neuromorphique ». C'est le premier dispositif fonctionnel qui fusionne détection, mémoire et apprentissage dans une seule boucle analogique sans alimentation externe.
Chronologie et contexte
Pour apprécier le bond, rappelons à quel point l'industrie des memristors a été conservatrice. L'idée de « memristors de calcul » a vingt ans. Les premiers échantillons de laboratoire sont apparus au milieu des années 2010. Tous partageaient un défaut : ils nécessitaient une programmation externe. On envoyait des impulsions spécialement formées depuis un microcontrôleur externe et la résistance changeait. C'est encore une mentalité numérique, juste avec un autre type de mémoire. Le travail de Yang et Kim est radicalement différent : leurs memristors apprennent par eux-mêmes à partir des relations temporelles entre les signaux entrants. Kim le dit clairement : « La mémoire n'est pas mise à jour par un algorithme d'apprentissage logiciel. Elle émerge des relations temporelles entre les signaux physiques. Les signaux coïncidents répétés sont renforcés ; les autres s'estompent progressivement. »
Ce qui a précédé. En mars 2026, le même laboratoire a publié dans Nature des memristors fonctionnant à 700 °C. C'était un article purement matériel. Désormais, ils ont combiné des memristors haute température avec l'auto-alimentation. En simulation, ils ont dispersé un réseau de ces capteurs à travers les forêts de Californie pour détecter la foudre — principale cause des incendies de forêt. Le système a reconstitué avec précision les emplacements des impacts en utilisant la différence de temps entre la lumière (instantanée) et le son (~340 m/s). Pas de GPS, pas de réseau cellulaire, pas de serveur. Le dispositif a simplement stocké le délai dans son propre circuit.
La véritable percée que le communiqué de presse d'USC Viterbi minimise est la façon dont ils ont résolu l'apprentissage non supervisé. L'article de Nature Sensors détaille le mécanisme : le memristor diffusif (argent dans du dioxyde de silicium) agit comme un encodeur de pics — plus le signal est fort, plus il commute rapidement, générant des impulsions. Le memristor dérivant (oxyde de hafnium avec électrodes tantale-platine) agit comme une synapse, accumulant les changements de poids sur les coïncidences répétées. Il s'agit d'une implémentation matérielle directe de la plasticité dépendante du timing des pics (STDP), le mécanisme considéré comme à la base de l'apprentissage dans le cerveau biologique. Pas de lignes de code. Pas d'instructions processeur.
Gagnants et perdants
Plus grand perdant n°1 : ARM et tout l'écosystème des processeurs edge. Des sociétés comme ARM, Qualcomm et MediaTek ont bâti des affaires de plusieurs milliards de dollars sur l'hypothèse que chaque capteur doit envoyer ses données à un processeur qui exécute ensuite des instructions. La puce de l'USC n'en exécute aucune. Elle n'a pas de registres, pas de compteur de programme, pas de bus de données. Seulement de la physique. Quand ces dispositifs atteindront la production en volume (trois à cinq ans, pas dix à quinze), le marché des microcontrôleurs IoT ultra-basse consommation se contractera de 60 à 70 %. Les analystes de JPR déclarent : « D'ici la fin de 2026, l'IA décentralisée et le calcul analogique commenceront à apparaître dans les wearables et les robots humanoïdes. »
Perdant n°2 : NVIDIA et le marché des accélérateurs d'IA edge. NVIDIA gagne de l'argent sur l'entraînement en centre de données, mais sa plateforme Jetson pour l'inférence edge reste une bête numérique. Le Jetson Orin consomme 15 à 25 watts. La puce de l'USC consomme zéro watt externe — elle récupère l'énergie du signal lui-même. Sa puissance de calcul ne peut pas rivaliser avec Jetson, mais 95 % des tâches edge (détection de foudre, classification de démarche, reconnaissance d'arythmie en temps réel) n'ont pas besoin de cette puissance. Elles ont besoin de vitesse, d'indépendance énergétique et de faible coût.
Bénéficiaire n°1 : les implants médicaux. Yang met en avant les lunettes intelligentes comme principal cas d'usage grand public, mais le vrai prix est les implants. Les neurostimulateurs existants pour la douleur chronique (par exemple Nervonik, qui a levé 52,5 millions de dollars en avril 2026) nécessitent encore une unité externe et une batterie remplacée tous les trois à cinq ans par chirurgie. La puce de l'USC peut fonctionner sur la pression biomécanique des pas ou la chaleur corporelle. Un implant qui apprend et s'adapte sans batterie ni recharge est le Graal de la neuromodulation — désormais un peu plus proche.
Bénéficiaire n°2 : le département de la Défense des États-Unis. Le financement via l'USAF et l'US Army n'est pas une coïncidence. Un capteur qui peut être largué par drone derrière les lignes ennemies et écouter, traiter et se souvenir pendant des années sans émettre de signal radio est de l'or pour le renseignement. Le scénario de la foudre en Californie est une couverture. Les vraies cibles sont les capteurs sismiques pour les essais nucléaires souterrains et les capteurs acoustiques pour identifier les véhicules militaires.
Ce que les médias ne disent pas
Premier constat, pas évident même pour beaucoup d'ingénieurs : le dispositif de l'USC n'est pas un « ordinateur ». C'est un classificateur. Il peut distinguer la foudre des feux d'artifice par le délai entre lumière et son. Il peut différencier la démarche A de la démarche B par le motif de pression sur un élément piézo. Il ne peut pas apprendre les tables de multiplication. Il n'y a pas de boucle de rétroaction, pas de branchement conditionnel, pas de calcul arbitraire. C'est un réseau de neurones spécialisé câblé dans la physique des memristors. C'est une limite fondamentale que personne ne surmontera bientôt, car le calcul analogique n'est par définition pas universel. Donc le battage actuel autour de « l'IA sans batterie » est du marketing. La vraie IA a encore besoin de chiffres. Le circuit analogique ne résout qu'une classe étroite de tâches.
Deuxième constat : reproductibilité et dérive des paramètres. L'article de Nature Sensors montre des courbes I-V propres, mais les chercheurs travaillant avec des memristors à oxyde savent que ces dispositifs sont notoirement capricieux. Les tensions de seuil varient d'un cycle à l'autre, ils se dégradent par migration des lacunes d'oxygène et sont extrêmement sensibles à la température et à l'humidité. Comment le dispositif de l'USC se comportera-t-il après un an sur le terrain de –20 °C à +50 °C et 10 % à 95 % d'humidité ? L'article reste muet. Le CONCRETE Center est financé par l'armée ; ces tests sont presque certainement en cours, mais les données publiques n'apparaîtront pas avant qu'une version commerciale existe.
Troisième constat : la concurrence des systèmes neuromorphiques organiques. Dans le même numéro de Nature Sensors, Fabiano et ses collègues rapportent des neurones électrochimiques organiques souples qui fonctionnent à des vitesses biologiques (jusqu'à 1,1 kHz) sous 0,7 V et 40 pJ par pic. C'est une technologie concurrente. Les organiques peuvent être implantés directement dans le cerveau car ils sont souples et non inflammatoires. Les memristors de l'USC sont rigides ; ils conviennent aux capteurs périphériques mais pas aux interfaces neurales. Le marché se scindera. Qui gagnera à long terme reste incertain.
Prévisions : 30 prochains jours et 90 prochains jours
30 prochains jours (juin 2026) : vague de dépôts de brevets et de licences commerciales.
USC Viterbi déposera des brevets sur l'architecture du « système neuromorphique auto-alimenté avec memristors diffusifs et dérivants ». Attendez-vous à au moins trois ou quatre demandes avec priorité à partir de la date de publication du 2 juin 2026. Yang a déjà un parcours de commercialisation ; ses travaux antérieurs sur les memristors haute température ont intéressé des sociétés de services pétroliers (Baker Hughes, Schlumberger). Les fabricants d'électronique wearable rejoindront maintenant la file d'attente. Garmin, Apple et Oura Ring demanderont tous des échantillons pour évaluer un tracker de fitness qui n'a jamais besoin d'être rechargé.
90 prochains jours (août–septembre 2026) : partenariats de fonderie et premiers prototypes d'ingénierie.
Le dispositif de l'USC a été construit sur une carte de circuit imprimé avec des memristors, résistances et condensateurs discrets. La commercialisation nécessite une intégration — les memristors doivent être intégrés dans une puce de silicium au-dessus de la logique CMOS standard (ou en remplacement). Dans les 90 jours, l'USC devrait annoncer un partenariat avec un licencié Arm ou une fonderie indépendante (éventuellement TSMC ou Intel Foundry Services) pour produire un échantillon d'ingénierie System-on-Chip (SoC) dans lequel le classificateur memristor se trouve à côté d'un processeur conventionnel pour des tâches plus complexes.
Un risque que le communiqué de presse omet : incorporer de nouveaux matériaux (argent, oxyde de hafnium dopé au strontium et au titane, comme dans les travaux parallèles de Cambridge) dans les flux CMOS standard n'est pas trivial. TSMC pourrait refuser sauf à voir des commandes garanties en grand volume d'un grand OEM. L'USC devrait alors recourir à une fonderie spécialisée en memristors comme Weebit Nano ou Knowm, repoussant la commercialisation de deux à trois ans.
Enfin, la remarque de Yang devrait donner aux investisseurs une pause : « L'énergie est le problème clé pour le centre de données. Apprenez de l'ordinateur le plus efficace au monde — notre cerveau. » Élégant, mais le cerveau fonctionne avec 20 watts et 86 milliards de neurones. La puce de l'USC utilise deux memristors. Le principe est scalable, mais l'écart entre le principe et un superordinateur microwatt ne sera pas comblé en trois ans. Les investisseurs qui se précipitent vers les startups de memristors pourraient être déçus ; les problèmes de fiabilité, de reproductibilité et de mise à l'échelle restent non résolus. Que le premier pas ait été franchi — et brillamment — ne peut être nié.
— Editorial Team
