Réseaux de neurones à impulsions memristives pour l'intelligence artificielle et interfaces cerveau-machine – MemAI

Le présent projet vise à la mise en œuvre d’une interface cerveau-machine (IMC) en intégrant des réseaux neuronaux mémoriels (SNN) à un modèle animal vertébré intact, la larve de poisson-zèbre, au moyen d’un lien neuronal optogénétique. Le SNN aura des capacités d’apprentissage, d’où l’IMC peut doter la larve de nouvelles compétences cognitives. Inversement, l’IMC peut également permettre de sonder et de rechercher la plasticité dans le système neural du modèle animal. Les SNN seront capables d’effectuer les neuro-calculs et de l’apprentissage à une vitesse qui ne peut être atteinte par un logiciel fonctionnant sur du matériel informatique classique, comme les FPGA. Nous mettrons à profit le développement récent d’un nouveau modèle compact de neurones d’injection basé sur un nouveau type de mémoires pour implémenter les SNN directement sur le matériel. Le concept de dispositifs memristive est similaire à celui des neuristors de Mott, mais la percée clé a été d’atteindre les mêmes propriétés de commutation résistive au moyen d’un dispositif électronique classique, le thyristor. Cela permet de simplifier la conception du circuit et la fiabilité fonctionnelle. Les SNN intégreront des capacités d’apprentissage au moyen de la règle de plasticité dépendant du temps (PDTS). Le projet est structuré en trois modules de travail. Le 1ère est d’étendre une théorie mathématique des réseaux de neurones à unités linéaires rectifiées (ReLU) aux SNNs, qui fonctionnent avec des impulsions explicites. Nous mettrons en œuvre des séquences et d’autres systèmes d’attracteurs neuronaux dynamiques. Le 2ème sera consacré à la mise en œuvre de l’apprentissage avec le PDTS et à étendre la notion d’apprentissage associatif à l’apprentissage des séquences spatio-temporelles. Dans le 3ème nous implémenterons l’IMC en utilisant la configuration expérimentale du laboratoire Sumbre à l’ENS. L’IMC permettra d’explorer le comportement du système neural des larves de manière inédite.