Compréhension et atténuation d’erreur dans les implémentations analogiques de réseaux de neurones sur silicium – CHAMELEON

L'intelligence artificielle, en général, et les réseaux de neurones, en particulier, sont utilisés dans des myriades d'applications contemporaines. Alors que les implémentations logicielles et/ou matérielles numériques des réseaux de neurones se taillent actuellement la part du lion sur le marché, un certain nombre de réalités émergentes nécessitent le développement et le déploiement de réseaux de neurones analogiques intégrés. Plus précisément, la croissance exponentielle des données sensorielles des interfaces homme-machine, connue sous le nom de déluge de données analogiques, ainsi que les contraintes de puissance, de surface et de temps de réponse des systèmes informatiques de périphérie distribués, nécessitent la capacité de détecter, percevoir, raisonner et agir rapidement. Cette capacité, qui évite de surcharger l'infrastructure de communication, de stockage et de calcul, est promise par les implémentations de réseaux de neurones analogiques sur puce. De telles implémentations, cependant, sont sensibles aux différences paramétriques introduites par la variation du processus de fabrication, la variation des conditions de fonctionnement, ainsi que le vieillissement du silicium, introduisant ainsi un nouvel ensemble de défis de robustesse et de résilience pour les modèles implémentés. En conséquence, ce projet vise à comprendre l'impact des différences paramétriques sur la capacité d'apprentissage des réseaux de neurones analogiques sur puce, à développer des solutions d'atténuation des erreurs et à évaluer leur efficacité grâce à la mise en œuvre de plateformes d'expérimentation pertinentes.