Vendredi 28 août 2026

Aube.

Les nouvelles du progrès
Original et traduction

Le SOT-MRAM de laboratoire écrit en 2 nanosecondes pour l’IA en périphérie

Quitter la comparaison

Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.

Original · anglais
Laboratory SOT-MRAM writes in 2 nanoseconds for edge AI
Traduction · français
Le SOT-MRAM de laboratoire écrit en 2 nanosecondes pour l’IA en périphérie
Original · anglais
UT Austin and TSMC tested magnetic-memory chips for AI tasks, including inference and neural-network training.
Traduction · français
L’Université du Texas à Austin et TSMC ont testé des puces de mémoire magnétique pour des tâches d’IA, notamment l’inférence et l’entraînement de réseaux neuronaux.
Original · anglais
Each write took 2 nanoseconds and used 2 picojoules, according to the researchers.
Traduction · français
Chaque écriture a pris 2 nanosecondes et consommé 2 picojoules, selon les chercheurs.
Original · anglais
The technology could let sensors make decisions locally, while high-accuracy work remains connected to cloud GPUs.
Traduction · français
Cette technologie pourrait permettre aux capteurs de prendre des décisions localement, tandis que les tâches nécessitant une grande précision resteraient connectées à des GPU dans le cloud.
Original · anglais

Each write operation took 2 nanoseconds. It costs 2 picojoules of energy. At the University of Texas at Austin, engineers working with Taiwan Semiconductor Manufacturing Company (TSMC) fabricated and tested SOT-MRAM, magnetic memory that keeps its information even when the power is off.

Traduction · français

Chaque opération d’écriture a pris 2 nanosecondes. Elle consomme 2 picojoules d’énergie. À l’Université du Texas à Austin, des ingénieurs travaillant avec Taiwan Semiconductor Manufacturing Company (TSMC) ont fabriqué et testé du SOT-MRAM, une mémoire magnétique qui conserve ses informations même lorsque l’alimentation est coupée.

Original · anglais

The team put the chips through neural-network inference, binary neural-network training and probabilistic graph modeling. SOT-MRAM uses magnetic properties, and the researchers designed their system around its ability to store only two states—0 and 1—while retaining enough accuracy for those AI tasks. The result is a memory technology the researchers say combines speed, lower energy use and endurance.

Traduction · français

L’équipe a soumis les puces à des tâches d’inférence de réseaux neuronaux, d’entraînement de réseaux neuronaux binaires et de modélisation de graphes probabilistes. Le SOT-MRAM utilise des propriétés magnétiques, et les chercheurs ont conçu leur système autour de sa capacité à ne stocker que deux états — 0 et 1 — tout en conservant une précision suffisante pour ces tâches d’IA. Le résultat est une technologie de mémoire qui, selon les chercheurs, combine rapidité, moindre consommation d’énergie et endurance.

Original · anglais

That efficiency matters beyond the chip. AI and the data centers supporting it are driving energy demand in Texas and worldwide; Texas is expected to become the U.S. capital of data centers in the next few years, with a possible 5x increase in statewide energy use. More efficient memory could reduce the energy used by AI hardware, while local processing could reduce how much work has to travel to those data centers.

Traduction · français

Cette efficacité compte au-delà de la puce. L’IA et les centres de données qui la prennent en charge alimentent la demande énergétique au Texas et dans le monde entier ; le Texas devrait devenir la capitale américaine des centres de données dans les prochaines années, avec une possible multiplication par 5 de la consommation énergétique dans tout l’État. Une mémoire plus efficace pourrait réduire l’énergie utilisée par le matériel d’IA, tandis que le traitement local pourrait limiter la quantité de travail devant être transférée vers ces centres de données.

Original · anglais

So what changes in practice? Sensors and other edge devices with tight power and memory limits could eventually make quick, sufficiently accurate decisions on their own. The researchers use a heat-sensing robotic hand as an example: local AI could move it without sending the neural signal to the cloud, while a GPU-based data center could handle cases requiring very high accuracy.

Traduction · français

Qu’est-ce qui change en pratique ? Les capteurs et autres appareils en périphérie soumis à des contraintes strictes en matière d’alimentation et de mémoire pourraient à terme prendre eux-mêmes des décisions rapides et suffisamment précises. Les chercheurs prennent l’exemple d’une main robotique détectant la chaleur : une IA locale pourrait la faire bouger sans envoyer le signal neuronal vers le cloud, tandis qu’un centre de données équipé de GPU pourrait traiter les cas nécessitant une très grande précision.

Original · anglais

The researchers plan to refine the characteristics that give the chips their speed and efficiency and reduce variation between devices, because that variation can reduce neural-network accuracy.

Traduction · français

Les chercheurs prévoient d’affiner les caractéristiques qui confèrent aux puces leur rapidité et leur efficacité, ainsi que de réduire les variations entre les appareils, car ces variations peuvent diminuer la précision des réseaux neuronaux.

Revenir à l’article