Programme Architectures Nano-électroniques Intégrées Neuro Inspirées – PANINI

L'utilisation d'assemblées de composants nanoélectroniques, auto-organisées ou non, obtenues par
une méthode d'assemblage « bottom-up » permettrait d'enrayer l'explosion des coûts de fabrication des
circuits intégrés. Néanmoins, la programmation et l'utilisation de telles assemblées pour remplir une
fonction donnée requièrent la mise en place d'une architecture d'ensemble et le développement de
procédures originales. Au cours de cette procédure de programmation, l'adressage individuel de
chaque composant n'est pas souhaitable pour des questions de vitesse et de coût. De plus, il est acquis
que les nanocomposants ainsi construits présenteront des dispersions de caractéristiques importantes.
Aussi il est important d'ajouter des propriétés d'auto-organisation et d'auto-ajustement aux assemblées
ainsi construites. La difficulté liée à l'adressage individuel de ces nanocomposants nous a naturellement
conduit à nous intéresser tout particulièrement aux algorithmes d'apprentissage utilisés dans le cadre
des réseaux de neurones formels. Et afin de placer cette étude en relation avec des assemblées
réalistes de nanocomposants, nous avons choisi d'étudier des assemblées de nanotubes de carbone et
de transistors à nanotubes de carbone (CNTFET). Dans ce projet, nous porterons une attention
particulière aux composants qui permettent d'envisager un apprentissage comme les CNTFETs à
commande optique (OG-CNTFET). De plus, nous étudierons les assemblées aléatoires ou autoorganisées
telles que les réseaux de nanotubes multiconnectés (MCCNN) afin de déterminer leur mode
de fonctionnement et identifier les fonctions, éventuellement complexes, susceptibles d'être réalisées
par de tels dispositifs. Nous étudierons les possibilités de programmation d'un tel réseau en explorant
notamment la possibilité d'une sensibilisation localisée par la lumière afin de définir une architecture.
Afin de pouvoir concevoir et simuler des architectures de circuits adaptés à l'apprentissage neuroinspiré,
nous adapterons des modèles compacts physiques de nanocomposants. Le caractère physique
des modèles de simulation de nanocomposants permettra d'évaluer la sensibilité des caractéristiques
électriques des circuits aux variations des paramètres physiques. De plus, nous pourrons ainsi vérifier par simulation l'efficacité de l'apprentissage pour la compensation des dispersions de caractéristiques
physiques des composants.
Les réseaux auto-organisés pourront être utilisés comme des blocs logiques booléens configurables,
à l'image des LUT dans les FPGA, mais leur nature neuronale permet aussi de les exploiter directement
comme des classifieurs dans des applications adaptées telles que le traitement d'images et la
reconnaissance de formes. Dans le même esprit, l'analyse du fonctionnement des réseaux aléatoires
peut révéler des modes de fonctionnement inédits associés à la minimisation stochastique d'une énergie
ou à un algorithme d'apprentissage non supervisé comme une carte de Kohonen. En définitive,
l'intégration de telles fonctions innovantes au moment de la conception du système nécessite de définir
une nouvelle méthodologie de conception que nous validerons sur des applications réelles tirées des
domaines du traitement des images et de la reconnaissance de formes.