Apprentissage neuromorphique en mémoire avec des circuits intégrés analogiques et des dispositifs mémoristifs à l’échelle nanométrique
- Date :
- Jeudi 5 décembre 2024
- Heure :
- À 9 h
- Type :
- Soutenance de thèse
- Lieu :
- Local C1-3114 de la Faculté de génie et par Teams
Description :
Doctorant : Nikhil Garg
Directeur de recherche: Dominique Drouin
Directeur de recherche (France) : Fabien Alibart
Président de jury : À être confirmé
Résumé: Le déploiement des applications d'intelligence artificielle sur des dispositifs de calcul en périphérie, tels que les drones, les robots et les moniteurs de santé, nécessite un matériel économe en énergie. Dans cette thèse, nous proposons de combler l'écart d'efficacité énergétique entre l'intelligence naturelle et artificielle en combinant des réseaux de neurones à impulsions neuromorphiques inspirés du cerveau (SNN) avec des technologies matérielles avancées, telles que le calcul analogique et la mémoire intégrée. La première partie développe des algorithmes pour l'apprentissage non supervisé et continu, permettant aux systèmes d'IA de s'adapter en permanence. La deuxième partie étudie les synapses à base de mémristors, des dispositifs de mémoire qui imitent les synapses biologiques. La troisième partie détaille la conception d'une puce à signaux mixtes pour implémenter ces neurones et synapses dans le matériel. Enfin, tous les composants sont intégrés dans un système d'IA auto-apprenant sur une puce, conçu pour des applications réelles sur des dispositifs périphériques à faible consommation d'énergie.
Doctorant : Nikhil Garg
Directeur de recherche: Dominique Drouin
Directeur de recherche (France) : Fabien Alibart
Président de jury : À être confirmé
Résumé: Le déploiement des applications d'intelligence artificielle sur des dispositifs de calcul en périphérie, tels que les drones, les robots et les moniteurs de santé, nécessite un matériel économe en énergie. Dans cette thèse, nous proposons de combler l'écart d'efficacité énergétique entre l'intelligence naturelle et artificielle en combinant des réseaux de neurones à impulsions neuromorphiques inspirés du cerveau (SNN) avec des technologies matérielles avancées, telles que le calcul analogique et la mémoire intégrée. La première partie développe des algorithmes pour l'apprentissage non supervisé et continu, permettant aux systèmes d'IA de s'adapter en permanence. La deuxième partie étudie les synapses à base de mémristors, des dispositifs de mémoire qui imitent les synapses biologiques. La troisième partie détaille la conception d'une puce à signaux mixtes pour implémenter ces neurones et synapses dans le matériel. Enfin, tous les composants sont intégrés dans un système d'IA auto-apprenant sur une puce, conçu pour des applications réelles sur des dispositifs périphériques à faible consommation d'énergie.