EMERGENCES

Aperçu

Une avancée dans les modèles émergents proches de la physique et une utilisation différents modèles de calcul et plusieurs propriétés issues de différents dispositifs physiques.

Marina Reyboz, Directrice de recherche CEA

Gilles Sassatelli, Directeur de recherche CNRS

Le projet EMERGENCES vise à faire progresser l’état de l’art sur les modèles émergents proches de la physique en explorant de manière collaborative divers modèles de calcul en utilisant les propriétés de différents dispositifs physiques. Ce projet se concentrera sur les modèles événementiels bio-inspirés, les modèles inspirés de la physique et les solutions d’apprentissage automatique innovantes proche de la physique. Emergences a en outre l’intention d’étendre les activités de recherche collaborative au-delà du périmètre du consortium en lien avec d’autres projets PEPR et au-delà d’autres laboratoires.

Mots clefs: Modèles émergents pour l’IA, IA embarquée, IA proche physique, efficacité énergétique, Edge IA

Les missions

Nos recherches

Réseaux neuronaux et modèles événementiels bio-inspirés

Définir des implémentations matérielles efficaces, l’utilisation de la fusion avec des capteurs neuromorphiques et la multimodalité :

• démontrer la maturité croissante des réseaux de neurones à impulsions (SNN) avec un processus de formation et de conception pour le matériel à impulsion à énergie proportionnelle 
• exploiter la parcimonie intrinsèque aux capteurs événementiels qui produisent nativement une activité événementielle éparse pour l’efficacité énergétique- étudier l’utilisation de la multimodalité pour améliorer la précision en lien avec la communauté des neurosciences

Modèles inspirés de la physique disruptive

Développer des méthodes d’entraînement plus efficaces et plus précises pour les réseaux de neurones bayésiens en explorant des algorithmes inspirés du cerveau et de la physique:

• explorer les possibilités de mise en œuvre de modèles basés sur l’énergie au niveau technologique en exploitant les technologies de mémoire analogiques et émergentes
• étudier des algorithmes inspirés du cerveau et de la physique pour de tels modèles

Conception proche de la physique pour l’apprentissage automatique

Améliorer l’efficacité énergétique des modèles d’apprentissage automatique pour l’inférence et l’apprentissage. Deux aspects seront pris en compte :

• la co-optimisation matériel/logiciel des algorithmes émergents : tels que les couches attentionnelles ou l’apprentissage incrémental
• les investigations d’architecture matérielle pour tirer parti des avantages des technologies émergentes