Traitement en mémoire 📖 Wikipedia

Le traitement en mémoire pourrait être mis en œuvre par les moyens suivants^[4] :

• Traitement utilisant la mémoire (PuM)
  • Ajout d'une capacité de traitement limitée (par exemple, unités de multiplication à virgule flottante, opérations sur 4 Ko de lignes telles que la copie ou la mise à zéro, opérations au niveau du bit sur deux lignes) aux modules de mémoire conventionnels (par exemple, modules DIMM) ; ou
  • Ajout d'une capacité de traitement aux contrôleurs de mémoire afin que les données auxquelles on accède n'aient pas besoin d'être transmises au processeur ou d'affecter le cache du processeur, mais soient traitées immédiatement.

• Traitement proche de la mémoire (PnM)
  • Nouveaux agencements 3D de silicium avec couches de mémoire et couches de traitement.

Le traitement en mémoire est fréquemment utilisé par les smartphones et tablettes modernes pour améliorer les performances des applications et pour accélérer le chargement des applications.

• Certains dispositifs portables IoT (ex. : montres connectées ; trackers d'activité), peuvent intégrer un traitement en mémoire pour traiter rapidement les données des capteurs et fournir un retour d'information en temps quasi-réel aux utilisateurs. Plusieurs gadgets courants utilisent le traitement en mémoire pour améliorer les performances et la réactivité^[5].

• Le traitement en mémoire est utilisé par les téléviseurs intelligents pour améliorer la navigation et la diffusion de contenu ; et dans les appareils photo numériques pour le traitement, le filtrage et la création d'effets d'image en temps réel^[6]. Les assistants vocaux et divers systèmes domotiques pourraient bénéficier d'une compréhension et d'une réponse plus rapides aux commandes des utilisateurs.

• Le traitement en mémoire est aussi utilisé par certains systèmes embarqués des appareils électroménagers et des appareils photo numériques haut de gamme pour une gestion efficace des données. Grâce à ces techniques, certains objets connectés privilégient un traitement rapide des données et des temps de réponse^[7].

Avec la technologie « sur disque », les données sont chargées sur le disque dur de l'ordinateur sous la forme de plusieurs tables et structures multidimensionnelles sur lesquelles les requêtes sont exécutées. Les technologies sur disque sont souvent des systèmes de gestion de bases de données relationnelles (SGBDR), souvent basés sur le langage de requête structuré (SQL), tels que SQL Server, MySQL, Oracle et bien d'autres. Les SGBDR sont conçus pour les besoins du traitement transactionnel. Avec une base de données prenant en charge les insertions et les mises à jour, ainsi que les agrégations, les jointures (typiques des solutions BI) sont généralement très lentes. Un autre inconvénient est que SQL est conçu pour extraire efficacement des lignes de données, tandis que les requêtes BI impliquent généralement l'extraction de lignes partielles de données impliquant des calculs lourds.

Pour améliorer les performances des requêtes, il est possible de construire des bases de données multidimensionnelles ou cubes OLAP, également appelés traitement analytique multidimensionnel en ligne (MOLAP). La conception d'un cube peut être un processus complexe et long, et sa modification pour s'adapter à l'évolution dynamique des besoins métier peut s'avérer complexe. Les cubes sont pré-remplis de données pour répondre à des requêtes spécifiques et, bien qu'ils améliorent les performances, ils ne sont pas optimaux pour répondre à toutes les requêtes ad hoc^[8].

Le personnel des technologies de l'information (TI) peut consacrer un temps de développement considérable à l'optimisation des bases de données, à la construction d'index et d'agrégats, à la conception de cubes et de schémas en étoile, à la modélisation des données et à l'analyse des requêtes^[9].

La lecture des données sur le disque dur est bien plus lente (peut-être des centaines de fois plus) que la lecture des mêmes données depuis la RAM.

Les performances sont donc considérablement dégradées, notamment lors de l'analyse de volumes importants de données. Bien que SQL soit un outil très puissant, l'exécution de requêtes complexes arbitraires sur disque est relativement longue et entraîne souvent une baisse des performances du traitement transactionnel. Pour des résultats plus rapide, de nombreux entrepôts de données ont été conçus pour précalculer des résumés et répondre uniquement à des requêtes spécifiques. Des algorithmes d'agrégation optimisés sont nécessaires pour optimiser les performances.

Avec les bases de données en mémoire et les grilles de données, toutes les informations sont initialement chargées en mémoire RAM ou en mémoire flash plutôt que sur les disques durs. Avec une grille de données, le traitement est trois fois plus rapide que celui des bases de données relationnelles dotées de fonctionnalités avancées telles qu'ACID, qui dégradent les performances en contrepartie de ces fonctionnalités supplémentaires. L'arrivée des bases de données centrées sur les colonnes, qui regroupent des informations similaires, permet un stockage plus efficace des données et des taux de compression plus élevés. Cela permet de stocker d'énormes volumes de données dans un même espace physique, réduisant ainsi la quantité de mémoire nécessaire pour effectuer une requête et augmentant la vitesse de traitement. De nombreux utilisateurs et éditeurs de logiciels ont intégré la mémoire flash à leurs systèmes pour leur permettre d'évoluer plus économiquement vers des ensembles de données plus volumineux.

Les utilisateurs interrogent les données chargées en mémoire système, évitant ainsi les ralentissements d'accès aux bases de données et les goulots d'étranglement des performances. Cette méthode diffère de la mise en cache, une méthode très répandue pour accélérer les requêtes, car les caches sont des sous-ensembles de données organisées et prédéfinies très spécifiques. Avec les outils en mémoire, les données disponibles pour l'analyse peuvent atteindre la taille d'un datamart ou d'un petit entrepôt de données entièrement en mémoire. Plusieurs utilisateurs ou applications simultanés peuvent y accéder rapidement et à un niveau détaillé, ce qui offre un potentiel d'analyse optimisé, ainsi que de mise à l'échelle et d'augmentation de la vitesse d'une application. Théoriquement, la vitesse d'accès aux données est 10 000 à 1 000 000 fois supérieure à celle du disque. Cela minimise également le besoin de réglage des performances par le personnel informatique et fournit un service plus rapide aux utilisateurs finaux.

Certains développements dans la technologie informatique et les besoins des entreprises ont eu tendance à accroître les avantages relatifs de la technologie en mémoire^[10].

• La loi de Moore dit que le nombre de transistors par unité carrée double tous les deux ans environ. Ceci se traduit par des changements de prix, de performances, de packaging et de capacités des composants. Le prix de la mémoire vive et la puissance de calcul du processeur, en particulier, ont augmenté au fil des décennies. Le traitement du processeur, la mémoire et le stockage sur disque sont tous soumis à certaines variations de cette loi. De plus, les innovations matérielles telles que l'architecture multicœur, la mémoire flash NAND, les serveurs parallèles et l'augmentation des capacités de traitement de la mémoire ont contribué à la faisabilité technique et économique des approches en mémoire.
• À leur tour, les innovations logicielles telles que les bases de données centrées sur les colonnes, les techniques de compression et la gestion des tables agrégées permettent des produits en mémoire plus efficaces^[11].
• L'avènement des systèmes d'exploitation 64 bits, qui permettent d'accéder à beaucoup plus de RAM (jusqu'à 100 Go ou plus) que les 2 ou 4 Go accessibles sur les systèmes 32 bits. En offrant des téraoctets (1 To = 1 024 Go) d'espace de stockage et d'analyse, les systèmes d'exploitation 64 bits rendent le traitement en mémoire évolutif. L'utilisation de la mémoire flash permet aux systèmes d'atteindre plusieurs téraoctets de manière plus économique.
• L'augmentation des volumes de données a réduit la capacité des entrepôts de données traditionnels à les traiter rapidement et avec précision. Le processus d'extraction, de transformation et de chargement (ETL), qui met à jour périodiquement les entrepôts de données sur disque avec des données opérationnelles, peut entraîner des retards et des données obsolètes. Le traitement en mémoire peut permettre un accès plus rapide à des téraoctets de données pour un reporting en temps réel plus performant.
• Le traitement en mémoire peut être disponible à moindre coût que le traitement sur disque, et son déploiement et sa maintenance sont plus faciles. Selon une étude Gartner^[12], le déploiement d'outils BI traditionnels peut prendre jusqu'à 17 mois.
• Diminution de la consommation d'énergie et augmentation du débit grâce à une latence d'accès plus faible, une bande passante mémoire et un parallélisme matériel plus importants^[13].

Une gamme de produits « en mémoire » permet de se connecter à des sources de données existantes et d'accéder à des tableaux de bord interactifs et visuellement riches. Les analystes commerciaux et les utilisateurs finaux peuvent ainsi créer des rapports et des requêtes personnalisés sans formation ni expertise particulières. La navigation simplifiée et la possibilité de modifier les requêtes à la volée sont un atout pour de nombreux utilisateurs. Grâce à la possibilité d'alimenter ces tableaux de bord avec des données actualisées, les utilisateurs ont accès à des données en temps réel et peuvent créer des rapports en quelques minutes. Le traitement en mémoire peut s'avérer particulièrement utile pour les centres d'appels et la gestion d'entrepôts.

Grâce au traitement en mémoire, la base de données source est interrogée une seule fois au lieu d'y accéder à chaque exécution, ce qui élimine les traitements répétitifs et allège la charge des serveurs de base de données. En planifiant le remplissage de la base de données en mémoire pendant la nuit, les serveurs de base de données peuvent être utilisés à des fins opérationnelles pendant les heures de pointe.

Avec un grand nombre d'utilisateurs, une configuration en mémoire nécessite une quantité importante de RAM, ce qui impacte les coûts. Cela est plus adapté aux situations où la rapidité de réponse aux requêtes est une priorité absolue, et où le volume de données et la demande de reporting augmentent considérablement, et est moins rentable si et quand les informations ne sont pas sujettes à des changements rapides.

La sécurité est aussi à prendre en compte, car les outils en mémoire exposent d'énormes volumes de données aux utilisateurs finaux. Les fabricants recommandent de s'assurer que seuls les utilisateurs autorisés y ont accès.

L'une des technologies clés utilisées pour cette approche est le memristor, un composant électronique ayant la particularité de pouvoir modifier sa résistance en fonction du courant qui le traverse, et de mémoriser cet état de résistance même lorsque l'alimentation est coupée. Cette double fonctionnalité permet aux memristors de servir à la fois d'unité de mémoire non volatile et de composant de calcul. Ces architectures sont intéressantes pour les réseaux de neurones où les valeurs des poids synaptiques sont directement encodées dans la résistance des memristors.

De nouveaux matériaux bidimensionnels, comme le nitrure de bore hexagonal (h-BN), sont à l'étude pour encore améliorer les performances de ces systèmes. Ils promettent des dispositifs plus compacts, plus rapides et plus économes en énergie, et compatibles avec les technologies CMOS existantes.

• (en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « In-memory processing » (voir la liste des auteurs).

• (en) Yeon Seo An, Dowon Kim, Young Ran Park et Jung Sun Eo, « Implementation of monolithic 3D integrated TiO memristor-based neural network for high-performance in-memory computing », Nano Energy, vol. 139,‎ juin 2025, article n^o 110999 (ISSN 2211-2855, DOI 10.1016/j.nanoen.2025.110999, lire en ligne, consulté le 26 août 2025).
• (en) Alessio Antolini, Francesco Zavalloni, Andrea Lico et Said Quqa, « The Role of Phase-Change Memory in Edge Computing and Analog In-Memory Computing: An Overview of Recent Research Contributions and Future Challenges », Sensors, vol. 25, n^o 12,‎ 9 juin 2025, p. 3618 (ISSN 1424-8220, DOI 10.3390/s25123618, lire en ligne, consulté le 26 août 2025).
• (en) Julian Büchel, Athanasios Vasilopoulos, William Andrew Simon et Irem Boybat, « Efficient scaling of large language models with mixture of experts and 3D analog in-memory computing », Nature Computational Science, vol. 5, n^o 1,‎ 8 janvier 2025, p. 13–26 (ISSN 2662-8457, DOI 10.1038/s43588-024-00753-x, lire en ligne, consulté le 26 août 2025).
• (en) Chunsheng Chen, Yaoqiang Zhou, Lei Tong et Yue Pang, « Emerging 2D Ferroelectric Devices for In‐Sensor and In‐Memory Computing », Advanced Materials, vol. 37, n^o 2,‎ 20 mai 2024 (ISSN 0935-9648 et 1521-4095, DOI 10.1002/adma.202400332, lire en ligne, consulté le 26 août 2025).
• (en) Corey Lammie, Julian Büchel, Athanasios Vasilopoulos et Manuel Le Gallo, « The inherent adversarial robustness of analog in-memory computing », Nature Communications, vol. 16, n^o 1,‎ 19 février 2025 (ISSN 2041-1723, DOI 10.1038/s41467-025-56595-2, lire en ligne, consulté le 26 août 2025).
• (en) Yuting Liu, Albert Lee, Kun Qian et Peng Zhang, « Cryogenic in-memory computing using magnetic topological insulators », Nature Materials, vol. 24, n^o 4,‎ 27 janvier 2025, p. 559–564 (ISSN 1476-1122 et 1476-4660, DOI 10.1038/s41563-024-02088-4, lire en ligne, consulté le 26 août 2025).
• (en) Thomas Ortner, Horst Petschenig, Athanasios Vasilopoulos et Roland Renner, « Rapid learning with phase-change memory-based in-memory computing through learning-to-learn », Nature Communications, vol. 16, n^o 1,‎ 1^er février 2025 (ISSN 2041-1723, DOI 10.1038/s41467-025-56345-4, lire en ligne, consulté le 26 août 2025).
• (en) Paolo Pintus, Mario Dumont, Vivswan Shah et Toshiya Murai, « Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic in-memory computing », Nature Photonics, vol. 19, n^o 1,‎ 23 octobre 2024, p. 54–62 (ISSN 1749-4885 et 1749-4893, DOI 10.1038/s41566-024-01549-1, lire en ligne, consulté le 26 août 2025).
• (en) Ghazi Sarwat Syed, Manuel Le Gallo et Abu Sebastian, « Phase-Change Memory for In-Memory Computing », Chemical Reviews, vol. 125, n^o 11,‎ 22 mai 2025, p. 5163–5194 (ISSN 0009-2665 et 1520-6890, DOI 10.1021/acs.chemrev.4c00670, lire en ligne, consulté le 26 août 2025).

• Mémoire vive
• Système sur une puce
• Réseau sur une puce
• Informatique neuromorphique
• Memristor

•   Portail de l’électricité et de l’électronique
•   Portail de l’informatique