Thèse Calcul Neuromorphique et Apprentissage Non Supervisé H/F

Doctorat.Gouv.Fr

Établissement : Université de Lorraine École doctorale : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES Laboratoire de recherche : LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications Direction de la thèse : Bernard GIRAU ORCID 0009000660376220 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-08T23:59:59 Notre équipe de recherche étudie différents modèles de réseaux de neurones bio-inspirés, avec pour certains la perspective d'une implantation sur circuit neuromorphique. Dans ce contexte, les modèles impulsionnels (spiking neural networks) constituent une approche particulièrement adaptée aux architectures matérielles émergentes, en raison de leur traitement asynchrone et de leur codage temporel de l'information. La plupart des travaux en calcul neuromorphique se concentrent aujourd'hui sur des approches supervisées ou inspirées du deep learning. Nos travaux se concentrent au contraire sur les modèles non supervisés bio-inspirés, qui restent encore relativement sous-explorés selon le paradigme du calcul neuromorphique, malgré leur pertinence pour l'apprentissage en ligne, l'adaptation continue et la sobriété énergétique. Nous avons notamment défini dans [4] une version impulsionnelle de cartes auto-organisatrices (SOM, self-organizing map), dont l'apprentissage est obtenu par une règle STDP (Spike-Timing Dependent Plasticity, [5]) déterminée de façon à coder l'information dans le temps des spikes et non dans leur fréquence. A l'instar des cartes de Kohonen ([6]), un modèle connu d'auto-organisation inspiré du cortex, nos SOM impulsionnelles permettent une quantification vectorielle non supervisée de données dans laquelle les prototypes s'organisent selon des règles de voisinage pré-fixées.

Cette thèse vise à enrichir ces travaux selon différents axes complémentaires possibles. Tout d'abord, il s'agit d'étendre l'étude à des modèles neuronaux à topologie adaptative issus de la famille des gaz neuronaux (Neural Gas [7], Growing Neural Gas [8], GNG-T [9], Growing When Required [10], Self-Organizing Incremental Neural Network [11], etc.). Contrairement aux SOM classiques, ces modèles se caractérisent par une topologie dynamique, où la structure du graphe évolue au cours de l'apprentissage. Cette propriété introduit un défi majeur dans un cadre neuromorphique : comment définir des mécanismes impulsionnels d'apprentissage locaux, permettant non seulement l'adaptation des poids synaptiques mais aussi la création, la suppression et la réorganisation des connexions ? Un autre axe de recherche concerne l'intégration de ces modèles avec des capteurs neuromorphiques, en particulier les caméras événementielles. Ces capteurs fournissent un flux de données directement sous forme d'événements asynchrones, ce qui ouvre la voie à des chaînes de traitement entièrement impulsionnelles. L'étude portera notamment sur l'adaptation des modèles considérés et sur les stratégies de codage temporel permettant d'exploiter efficacement ces flux d'impulsions. Enfin, les travaux pourront être menés à différents niveaux d'abstraction, allant de la conception algorithmique jusqu'à l'implantation sur des architectures neuromorphiques (puces neuromorphiques ou plateformes de calcul neuromorphique, ou encore implémentations sur circuits FPGA). L'objectif sera d'identifier les compromis entre performance des modèles et contraintes matérielles. Parmi les diérentes alternatives aux architectures de Von Neumann, les approches neuromorphiques bénéficient actuellement des récents succès du deep learning et de l'implication croissante des principaux fabricants de semi-conducteurs grâce à des puces neuromorphiques impressionnantes telles que l'IBM TrueNorth et les puces d'Intel Loihi et Loihi 2 ([1,2]). La puce Loihi 2 intègre par exemple un million de neurones impulsionnels et 120 millions de connexions synaptiques programmables. L'émergence de ces puces neuromorphiques est étroitement liée aux atouts que présentent les neurones dits de troisième génération pour des implantations matérielles. Ces neurones communiquent de manière temporelle par des impulsions, de façon directement inspirée par les potentiels d'action échangés par les neurones biologiques, permettant ainsi de transmettre l'information et de la traiter à la volée de façon asynchrone.

Dans la même veine bio-inspirée, les caméras événementielles gagnent en popularité [3]. Les caméras événementielles comme DVS (Dynamic Vision Sensor) fonctionnent de manière analogue à la rétine en transmettant l'information sous forme d'impulsion uniquement lorsqu'un changement local de luminosité - au niveau du pixel - est détecté. Ce traitement asynchrone de l'information visuelle apporte de grands avantages : 1) une vitesse d'échantillonnage près d'un million de fois supérieure à celle des caméras standard, 2) une latence d'une microseconde et 3) une plage dynamique de 130 décibels (les caméras standards n'ont que 60 dB). Le tout pour une consommation énergétique significativement inférieure à celle des caméras standards.