Réseau de neurones impulsionnels sur des nanodispositifs non conventionnels pour la détection d'incidents acoustiques – SOUND-AI

Sur la base d'un réseau neuronal artificiel à auto-apprentissage implémenté dans le matériel, le projet mettra en œuvre un système d'économie d'énergie pour la détection d'événements dans les signaux acoustiques. Afin d'éviter la conversion analogique-numérique qui consomme beaucoup d'énergie, de grandes parties du traitement du signal sont transférées dans la zone analogique. Inspiré par la cochlée humaine, un banc de filtres analogiques dynamiques extrait les caractéristiques spectrales en accentuant les bandes de fréquences porteuses d'informations tout en élaguant les filtres non pertinents pour une application donnée. Les sorties des filtres analogiques sont converties en taux de pointes, alimentant un réseau neuronal à pointes entièrement analogique (SNN) avec quatre à six couches, chacune ayant jusqu'à 128 neurones. Des réseaux de barres transversales (CBA) de memristors BFO de type interface émulent des couches de connexions synaptiques entièrement connectées entre les couches neuronales. En utilisant des impulsions de pointe de forme appropriée, des algorithmes d'apprentissage local tels que la plasticité dépendante du temps d'occurrence des impulsions (STDP) seront mis en œuvre à l'aide des memristors, en tenant compte de la caractéristique volatile des memristors de type interface en tant que taux d'oubli synaptique. Les recherches se concentreront sur les effets des différents paramètres de conception, tels que la forme d'onde de la pointe et le dopage au titane de la couche memristive, sur la fonction d'apprentissage memristive. Le SNN est construit par intégration hétérogène des réseaux de barres transversales synaptiques avec des implémentations CMOS à très faible consommation de neurone impulsionnel à fuite, intégration et déclenchement (LIF). Les deux puces sont combinées par cointégration puce à carte lors de la première itération et par hétéro-intégration puce à plaquette (wafer) lors de la deuxième itération. La première approche permet des schémas de connexion flexibles pour le prototypage. La seconde approche vise à minimiser la surface totale du système en empilant le CBA et le CMOS l'un sur l'autre. Le traitement en temps réel dans les SNN nécessite une synchronisation précise dans les circuits neuronaux. Pour obtenir des constantes de temps longues, l'étude explorera diverses méthodes, notamment les amplificateurs opérationnels à transconductance accordables, les compteurs numériques et les memristors volatiles.
Le champ d'application ciblé par le projet est celui des systèmes de capteurs à auto-apprentissage bio inspiré pour les applications mobiles. Le démonstrateur du projet sera utilisé et évalué pour le repérage de mots-clés, en mettant l'accent sur la consommation d'énergie du système. En outre, les premières recherches avec des BFO-CBA photosensibles mettront en lumière les applications potentielles du système développé avec des stimuli d'entrée visuels.