Local learning with highly analog memory devices. (Apprentissage local avec des dispositifs de mémoire hautement analogiques)

Dans la prochaine ere de l'informatique distribuee, les ordinateurs inspires par le cerveau qui effectuent des operations localement plutot que dans des serveurs distants seraient un avantage majeur en reduisant les couts energetiques et reduisant l'impact environnemental. Une nouvelle generation de nanodispositifs de memoire non-volatile est un candidat de premier plan pour realiser cette vision neuromorphique. A l'aide de travaux theoriques et experimentaux, nous avons explore les problemes critiques qui se posent lors de la realisation physique des architectures de reseaux de neurones artificiels modernes (ANN) en utilisant des dispositifs de memoire emergents (nanodispositifs « memristifs »). Dans notre travail experimental, nos dispositifs organiques (polymeriques) se sont adaptes avec succes et automatiquement en tant que portes logiques reconfigurables en cooperant avec un neurone digital et programmable (FGPA). Dans nos travaux theoriques, nous aussi avons considere les multicouches memristives ANNs. Nous avons developpe et simule des variantes de projection aleatoire (un systeme NoProp) et de retropropagation (un systeme perceptron multicouche) qui utilisent deux crossbars. Ces systemes d'apprentissage locaux ont montre des dependances critiques sur les contraintes physiques des nanodispositifs. Enfin, nous avons examine comment les conceptions ANNs “feed-forward” peuvent etre modi-fiees pour exploiter les effets temporels. Nous avons ameliore la bio-inspiration et la performance du systeme NoProp, par exemple, avec des effets de plasticite dans la premiere couche. Ces effets ont ete obtenus en utilisant un nanodispositif a ionisation d'argent avec un comportement de transition de plasticite intrinseque.