Les réseaux de neurones bayésiens permettent à lapos;intelligence artificielle de prendre en compte lapos;incertitude de ses prédictions, mais leur apprentissage nécessite de nombreux calculs. Les mémoires résistives (ReRAM), capables de stocker des données et de réaliser des calculs directement au sein de circuits électroniques, offrent une solution prometteuse pour réduire ce coût. Cette thèse propose de développer une nouvelle méthode dapos;apprentissage bayésien sur ReRAM, fondée sur lapos;échantillonnage de Langevin. Cette approche permet dapos;explorer efficacement les paramètres dapos;un réseau de neurones en combinant des perturbations aléatoires et une estimation du gradient. Lapos;objectif est dapos;exploiter les fluctuations physiques naturelles des ReRAM pour estimer ce gradient sans utiliser lapos;algorithme classique de rétropropagation. La possibilité de réutiliser les tentatives dapos;écriture des mémoires sera également étudiée afin de limiter la consommation dapos;énergie et lapos;usure des dispositifs. Le travail combinera développement dapos;algorithmes, simulations et expérimentations sur des circuits ReRAM existants au CEA-Leti. Les résultats attendus sont la démonstration dapos;un apprentissage bayésien sur matériel réel, ainsi quapos;une évaluation de ses performances, de sa précision et de son efficacité énergétique par rapport aux méthodes existantes.
Master 2 ou diplôme d’ingénieur en microélectronique, électronique, architectures de calcul ou informatique
Talent impulse, le site d’emploi scientifique et technique de la Direction de la Recherche Technologique du CEA
© Copyright 2023 – CEA – TALENT IMPULSE – Tous droits réservés