L’intelligence artificielle analogique emprunte des caractéristiques clés du fonctionnement des réseaux neuronaux dans les cerveaux biologiques. Dans le cerveau, la force des synapses (assimilés à des « poids ») détermine la communication entre les neurones.
Les systèmes d'intelligence artificielle analogiques de la puce stockent ces poids synaptiques localement dans les valeurs de conductance des dispositifs de mémoire résistive à l'échelle nanométrique (c'est la mémoire à changement de phase). Ils effectuent des opérations de multiplication-accumulation (MAC), c'est l'opération de calcul dominante dans les réseaux neuronaux profonds (DNN), en exploitant les lois du circuit et en atténuant la nécessité d'envoyer constamment des données entre la mémoire et le processeur.
Le principe fonctionnel de la mémoire à changement de phase est plutôt simple à comprendre. Il consiste à appliquer une impulsion électrique d'intensité variable à un matériau pour qu’elle modifie la conductance du dispositif, de manière à le faire passer d'une phase « amorphe » à une phase « cristalline ». Une faible impulsion électrique rend le dispositif plus cristallin, offrant moins de résistance alors qu’une impulsion électrique plus forte le rendra plus amorphe, offrant plus de résistance. A contrario des systèmes numériques, qui enregistrent des 0 et des 1 (tout ou rien), le dispositif PCM enregistre son état sous la forme d'un continuum de valeurs entre l'état amorphe et l'état cristallin. Ces valeurs (poids synaptique) peuvent être stockées dans la configuration atomique physique de chaque PCM et comme la mémoire est non volatile, elles sont conservées lorsque l'alimentation électrique est coupée. Ce modèle de puce est donc pressenti pour remplacer les puces numériques actuelles, utilisées pour les applications d’intelligence artificielle dans les ordinateurs et les smartphones, car elle est plus efficace et moins énergivore pour les batteries.