Architecture de calcul proche capteurs pour un apprentissage incremental embarqué efficace dans le domaine biomédical

Aujourd'hui de plus en plus de systèmes microélectroniques proche-capteur intègrent des fonctionnalités basées sur l'intelligence artificielle (IA) que ce soit pour de la reconnaissance d'image, la détection d'évènements ou la prise de décision autonome. Ces systèmes utilisant de l'IA embarquée ont généralement été entrainés au préalable sur des serveurs de calcul haute-performance exploitant d'importantes bases de données. Cependant pour s'adapter à des variations locales, à un environnement changeant, pour une problématique de protection des données ou lorsque la connexion avec un serveur distant n'est pas possible, l'apprentissage embarqué apparait comme une fonctionnalité nécessaire. Dans le cas où ces entrainements sont effectués au fur et à mesure de l'acquisition de nouvelles données, on parle d'apprentissage incrémental. Ces nouvelles tâches d'apprentissage sont complexes en terme de calcul et requièrent davantage de ressource mémoire, les systèmes existants à base de microcontrôleur présentent des limites. L'objectif du travail de thèse est de proposer et concevoir une architecture de calcul embarqué (circuit intégré) permettant l'exécution efficace (performance et consommation d'énergie) d'algorithmes d'apprentissage incrémental. Ce sujet s'inscrit dans un cadre applicatif lié au domaine de la santé. Ces dispositifs pouvant être utilisés dans un système combinant capteur et actionneur pour améliorer les fonctions motrices de patients souffrant par exemple de maladies neurologiques.