Mémoire de Maîtrise

Contexte du Projet :

Les réseaux de neurones profonds (IA) ont révolutionné de nombreux domaines, mais leur déploiement est souvent freiné par une consommation énergétique massive, limitant leur utilisation dans les systèmes embarqués et autonomes. Ce projet explore une alternative radicale : et si, au lieu de simuler des neurones sur un ordinateur, nous utilisions directement les lois de la physique pour calculer ?

Objectif Scientifique :

L'objectif était de développer des méthodes d'entraînement efficaces pour des réseaux de neurones physiques profonds (DPNN) implémentés sur des microsystèmes électromécaniques (MEMS). Le but est de créer des systèmes intelligents qui soient à la fois ultra-rapides, extrêmement économes en énergie et capables d'apprendre de leur environnement.

Approche Technologique et Méthodologie :

Mon travail s'est appuyé sur le paradigme du Reservoir Computing (RC), une approche particulièrement adaptée aux systèmes physiques :

• Calcul par la Physique : Plutôt que de reposer sur des transistors, le calcul est effectué en exploitant les non-linéarités dynamiques inhérentes au dispositif MEMS (ici, des filtres à ondes acoustiques de surface - SAW). Le système mécanique lui-même agit comme un "réservoir" de calcul riche et complexe.
• Entraînement Simplifié : Contrairement à la rétropropagation classique, énergivore et complexe à appliquer à un système physique, l'entraînement en RC se concentre uniquement sur la couche de lecture en sortie. Cela rend possible l'apprentissage pour des systèmes dont la dynamique interne n'est pas parfaitement connue.

Mes Contributions Clés :

• Développement de Méthodes d'Entraînement : J'ai développé et adapté des algorithmes pour entraîner ces réseaux physiques, en trouvant des moyens de calculer un gradient efficace malgré l'opacité de la "boîte noire" que représente le système MEMS.
• Maîtrise des Systèmes Non-Linéaires : J'ai acquis une expertise dans l'utilisation des non-linéarités des systèmes mécaniques comme une ressource pour le calcul complexe.
• Simulation et Modélisation : J'ai modélisé le comportement de ces systèmes pour prédire et optimiser leur capacité de traitement de l'information.

Impact et Portée :

Ce projet ouvre la voie à une nouvelle génération de "matière intelligente". En intégrant l'IA directement au niveau matériel, nous pouvons concevoir des capteurs capables d'analyser des signaux complexes en temps réel avec une consommation d'énergie quasi nulle. Les applications vont des systèmes embarqués pour la robotique autonome aux dispositifs biomédicaux intelligents, en passant par les télécommunications à très haute vitesse.