Afficher la notice abrégée

dc.contributor.advisorSaïghi, Sylvain
dc.contributor.authorMEYER, Charly
dc.contributor.otherSaïghi, Sylvain
dc.contributor.otherTaris, Thierry
dc.contributor.otherUhring, Wilfried Patrick
dc.contributor.otherQuerlioz, Damien
dc.contributor.otherTomas, Jean
dc.contributor.otherGrollier, Julie
dc.contributor.otherLarras, Benoît
dc.date2021-07-08
dc.identifier.urihttp://www.theses.fr/2021BORD0189/abes
dc.identifier.uri
dc.identifier.urihttps://tel.archives-ouvertes.fr/tel-03556410
dc.identifier.nnt2021BORD0189
dc.description.abstractL’intelligence artificielle est une technologie en plein essor et utilisée de plus en plus dans diverses applications. Leurs algorithmes sont très gourmands en énergie. Pour des enjeux environnementaux et sociétaux, il est indispensable de réduire la consommation de ces algorithmes. Pour cela il est nécessaire de s’affranchir de la classique architecture de von Neumann. Le projet européen ULPEC dont cette thèse fait partie, a pour but de concevoir un réseau de neurones évènementiels à base de synapses memristives inspiré du fonctionnement du cerveau qui est par nature économe en énergie. Le memristor est une résistance variable commandable en tension qui peut, suivant les conditions d’utilisation, avoir le même comportement que des synapses biologiques.Le projet ULPEC consiste à concevoir une puce sur laquelle est présent une caméra évènementielle, un crossbar de memristors de 784x100 et un réseau de neurones analogiques. Le réseau de neurones est constitué de 784 neurones d’entrées et 100 de sorties. Les neurones d’entrées permettent de transformer un évènement venant de la caméra en un signal capable d’être lu par le réseau de neurones. Les neurones de sorties permettent la reconnaissance d’images spécifiques en modifiant la valeur des résistances des memristors afin de réaliser le processus d’apprentissage.Les neurones utilisés sont modélisés par un LIF (Leaky Integrate and Fire en anglais). Ce modèle a pour particularité d’être proche de la biologie et le grand avantage d’être facilement implantable électroniquement. Nous utiliserons un convoyeur de courant dans nos neurones post-synaptiques, ce qui permet de piloter aisément les synapses memristives. Nous avons réalisé des simulations proches du comportement physique de notre réseau et nous avons obtenu 67% de reconnaissance sur une base de données composée de chiffres manuscrits filmés par une caméra évènementielle.Ce manuscrit de thèse a pour but d’explorer la faisabilité d’un tel projet en se focalisent sur la conception des neurones en pointant les problèmes rencontrés et les résolvant dans la mesure du possible. Ces travaux ont permis d’explorer la faisabilité du premier réseau de neurones à base de synapses memristives de cette envergure et permettront de donner des pistes de recherche pour de futurs projets.
dc.description.abstractEnNowadays, the artificial intelligence is a technology used more and more in diverse features. The usage of their algorithms need a huge consummation of energy, for environmental and societal issues it is necessary to reduce their power consumption. The classical von Neumann architecture used in traditional computer is not efficient for artificial intelligence algorithms in terms of energy and calculation speed. The European project ULPEC which this thesis takes part, has in aim to design an ultra-low power bio-inspired neural network based on memristive synapses and an event-based camera. Memristors which play the role as synapses, are variable resistors controllable by voltage at their terminals.The purpose of this project is to make a chip embedding an event camera, a matrix of 784x100 memristors and design the analog neural network to achieve the best learning as possible. The neural network is composed of 784 input neurons and 100 output neurons, where each input neuron is directly connected to a single one pixel from the camera. Output neurons make the images recognition and modify the weight of their synapses to realize the learning.Neurons are modelized by a LIF neuron (Leaky Integrated and Fire), this model is close to the biology and has the advantage to be easy to design and implemented by electronics. We use a current conveyor into the output neuron to implement this model. We have built a simulator close to the physics of the neural network, and we have obtained 67% of recognition on handwritten figures database.This thesis has aimed to explore the feasibility of the neural network base on synapses memristive realization to highlight the issue and solve it with the technical solution when it is possible. These works allowed to explore the feasibility of this project and give clue for future projects.
dc.language.isofr
dc.subjectRéseau de neurones évènementiels
dc.subjectMemristor
dc.subjectFaible consommation
dc.subjectCaméra évènementielle
dc.subjectApprentissage non supervisé
dc.subject.enSpiking neural networks
dc.subject.enMemristor
dc.subject.enLow power
dc.subject.enEvent camera
dc.subject.enUnsupervised learning
dc.titleConception de réseaux de neurones sur silicium à l’aide de synapses memristives : application au traitement d’image
dc.title.enConception of neural networks on silicon using memristive synapses : application to image processing
dc.typeThèses de doctorat
dc.contributor.jurypresidentTaris, Thierry
bordeaux.hal.laboratoriesLaboratoire de l'intégration du matériau au système (Talence, Gironde)
bordeaux.type.institutionBordeaux
bordeaux.thesis.disciplineElectronique
bordeaux.ecole.doctoraleÉcole doctorale des sciences physiques et de l’ingénieur (Talence, Gironde)
star.origin.linkhttps://www.theses.fr/2021BORD0189
dc.contributor.rapporteurUhring, Wilfried Patrick
dc.contributor.rapporteurQuerlioz, Damien
bordeaux.COinSctx_ver=Z39.88-2004&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.title=Conception%20de%20r%C3%A9seaux%20de%20neurones%20sur%20silicium%20%C3%A0%20l%E2%80%99aide%20de%20synapses%20memristives%20:%20application%20au%20traitement%20d%E2%80%99im&rft.atitle=Conception%20de%20r%C3%A9seaux%20de%20neurones%20sur%20silicium%20%C3%A0%20l%E2%80%99aide%20de%20synapses%20memristives%20:%20application%20au%20traitement%20d%E2%80%99i&rft.au=MEYER,%20Charly&rft.genre=unknown


Fichier(s) constituant ce document

FichiersTailleFormatVue

Il n'y a pas de fichiers associés à ce document.

Ce document figure dans la(les) collection(s) suivante(s)

Afficher la notice abrégée