Présentation Puces Neuromorphiques 2014
-
Upload
romain-chion -
Category
Technology
-
view
402 -
download
0
Transcript of Présentation Puces Neuromorphiques 2014
PUCES NEUROMORPHIQUES
Clément Artaud, Romain Chion,Rebecca Grojsman, Baptiste Sinquin
SOMMAIRE
INTRODUCTION
NEURONE ET MEMRISTOR
ARCHITECTURE DU RESEAU
CONCLUSION
INTRODUCTION
NEURONE
3
INTRODUCTION• But : ordinateur basé sur les principes opérationnels du
cerveau
• Intérêt : • Tolérance aux erreurs, simultanéité• Faciliter l’interaction homme machine (IHM)• Comprendre le fonctionnement du cerveau
• Deux approches :• Neuromorphisme : créer des composants électroniques mimant
les neurones• Modélisation logiciel : superordinateur dédié à la modélisation
des neurones
NEURONE
MEMRISTOR
4
NEURONE COMME COMPOSANT• Fonctions• Traitement de l’information (dendrite + soma)• Communication : propagation de pics (axone + synapses)• Stockage (axone, différentes constantes de temps)
• Modélisation
NEURONE
MEMRISTOR
5
NEURONE V.S. ELECTRONIQUE
MEMRISTOR
ARCHITECTURE
6
DEFINITION DU MEMRISTOR
• Résistance variable et mémorisée
• 4ème élément de base des circuits• Conceptualisé en 1970• Réalisé en 2008 par HP
MEMRISTOR
ARCHITECTURE
7
REALISATION PRATIQUE
• Memristance varie avec la charge ayant traversé le matériaux• Effet mémoire• Exacerbé pour des dimensions nanométriques
MEMRISTOR
ARCHITECTURE
8
CARACTERISATION DU MEMRISTOR
• Résistance auto-adaptative « apprentissage » du circuit
• Utilisation commemémoire
MEMRISTOR
ARCHITECTURE
9
SIMILARITE NEURONE ET MEMRISTOR
𝑣𝑀𝑅 (𝑡 )=𝑉𝑚𝑒𝑚−𝑝𝑜𝑠 (𝑡 )−𝑉𝑚𝑒𝑚−𝑝𝑟𝑒 (𝑡 )𝑣𝑀𝑅 (𝑡 )=𝛼𝑝𝑜𝑠𝑠𝑝𝑘 (𝑡− 𝑡𝑝𝑜𝑠 )−𝛼𝑝 𝑟𝑒𝑠𝑝𝑘 (𝑡− 𝑡𝑝𝑟𝑒 )𝑣𝑀𝑅 (𝑡 )=𝛼𝑝𝑜𝑠𝑠𝑝𝑘 (𝑡 )−𝛼𝑝𝑟𝑒 𝑠𝑝𝑘 (𝑡+∆ 𝑡 )
MEMRISTOR
ARCHITECTURE
10
SPIKES ET MEMRISTOR
Selon l’ordre d’apparition des spikes, il existe des valeurs de ou
Or, la valeur du memristor est actualisée uniquement si | .
MEMRISTOR
ARCHITECTURE
11
ACTUALISATION DE POTENTIEL
Caractéristique R-U du memristor
Lien entre neurones réactualisé similaire à celui entre memristors :
synapses biologiques modèles mathématiques(Bi&Poo, 2001)
Beiye Liu et al. 2012
ARCHITECTURE
APPLICATION
12
MISE EN RESEAU
→ 31 neurones → 30 sinapses
Carlos Zamarreño-Ramos et al. 2011
→ entrée et sorties multiples → architecture en nappe
Meilleur compréhension du cerveauMachine learning, I.A., I.H.M.Reconnaissance de pattern visuels
ARCHITECTURE
CONCLUSION
13
APPLICATIONS
Carlos Zamarreño-Ramos et al. 2011
CONCLUSION14
PERSPECTIVES D’AVENIR
Blue Brain Project Neurogrid
IBM SyNAPSE