Postée il y a 10 heures
Les systèmes nanoélectroniques neuro-inspirés, qui imitent le fonctionnement du cerveau humain, utilisent des composants tels que les memristors pour simuler les synapses. Ces systèmes représentent une voie prometteuse vers des technologies électroniques à faible consommation d’énergie. Les memristors permettent une mise en œuvre efficace des synapses artificielles grâce à leur capacité à intégrer le calcul directement dans les éléments de stockage, selon le principe du calcul en mémoire (in-memory computing). Toutefois, l’usage des memristors reste principalement limité à l’inférence, tandis que leur potentiel pour l’apprentissage demeure largement inexploré en raison de nombreux défis techniques.
Les dispositifs à couple de transfert de spin-orbite (Spin-Orbit Torque, SOT) présentent des propriétés physiques uniques, notamment un comportement intrinsèquement stochastique, ce qui en fait des candidats prometteurs pour la mise en œuvre matérielle de synapses artificielles capables d’apprendre. Bien que ces dispositifs aient été principalement étudiés dans le cadre d’applications de mémoire non-volatile, ils possèdent un potentiel encore inexploité pour des approches neuro-inspirées, en particulier dans les systèmes d’apprentissage probabiliste.
Objectifs du projet :
- Utiliser les dispositifs SOT comme synapses artificielles stochastiques : modéliser et simuler leur comportement physique afin d’exploiter leur nature probabiliste.
- Étudier l’intégration d’algorithmes bayésiens : tirer parti des caractéristiques stochastiques des dispositifs SOT pour implémenter des modèles d’apprentissage bayésien adaptés aux réseaux de neurones.
- Optimiser les nanodispositifs pour l’apprentissage : développer des stratégies d’optimisation des propriétés physiques des dispositifs SOT afin de répondre aux besoins spécifiques des applications neuro-inspirées, en les différenciant de leur usage conventionnel en tant que mémoires.