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 :
• Tolér...
NEURONE
MEMRISTOR
4
NEURONE COMME COMPOSANT
• Fonctions
• Traitement de l’information
(dendrite + soma)
• Communication : ...
NEURONE
MEMRISTOR
5
NEURONE V.S. ELECTRONIQUE
MEMRISTOR
ARCHITECTURE
6
DEFINITION DU MEMRISTOR
• Résistance variable et mémorisée
• 4ème élément de base des circuits
• ...
MEMRISTOR
ARCHITECTURE
7
REALISATION PRATIQUE
• Memristance varie avec la charge ayant traversé le matériaux
• Effet mémoi...
MEMRISTOR
ARCHITECTURE
8
CARACTERISATION DU MEMRISTOR
• Résistance auto-adaptative  « apprentissage » du circuit
• Utilis...
MEMRISTOR
ARCHITECTURE
9
SIMILARITE NEURONE ET MEMRISTOR
𝑣 𝑀𝑅 𝑡 = 𝑉𝑚𝑒𝑚−𝑝𝑜𝑠 𝑡 − 𝑉𝑚𝑒𝑚−𝑝𝑟𝑒 𝑡
𝑣 𝑀𝑅 𝑡 = 𝛼 𝑝𝑜𝑠 𝑠𝑝𝑘 𝑡 − 𝑡 𝑝𝑜𝑠 − 𝛼...
MEMRISTOR
ARCHITECTURE
10
SPIKES ET MEMRISTOR
Selon l’ordre d’apparition des spikes, il existe des valeurs de 𝑣 𝑀𝑅 > 𝑉𝑠𝑒𝑢𝑖...
MEMRISTOR
ARCHITECTURE
11
ACTUALISATION DE POTENTIEL
Caractéristique ∆R-U du memristor
Lien entre neurones réactualisé sim...
Beiye Liu et al. 2012
ARCHITECTURE
APPLICATION
12
MISE EN RESEAU
→ 31 neurones
→ 30 sinapses
Carlos Zamarreño-Ramos et al....
Meilleur compréhension du cerveau
Machine learning, I.A., I.H.M.
Reconnaissance de pattern visuels
ARCHITECTURE
CONCLUS...
CONCLUSION14
PERSPECTIVES D’AVENIR
Blue Brain Project Neurogrid
IBM SyNAPSE
Prochain SlideShare
Chargement dans…5
×

Présentation Puces Neuromorphiques 2014

1 073 vues

Publié le

Publié dans : Technologie
0 commentaire
1 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
1 073
Sur SlideShare
0
Issues des intégrations
0
Intégrations
26
Actions
Partages
0
Téléchargements
16
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Présentation Puces Neuromorphiques 2014

  1. 1. PUCES NEUROMORPHIQUES Clément Artaud, Romain Chion, Rebecca Grojsman, Baptiste Sinquin
  2. 2. SOMMAIRE INTRODUCTION NEURONE ET MEMRISTOR ARCHITECTURE DU RESEAU CONCLUSION
  3. 3. 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
  4. 4. 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
  5. 5. NEURONE MEMRISTOR 5 NEURONE V.S. ELECTRONIQUE
  6. 6. MEMRISTOR ARCHITECTURE 6 DEFINITION DU MEMRISTOR • Résistance variable et mémorisée • 4ème élément de base des circuits • Conceptualisé en 1970 • Réalisé en 2008 par HP
  7. 7. MEMRISTOR ARCHITECTURE 7 REALISATION PRATIQUE • Memristance varie avec la charge ayant traversé le matériaux • Effet mémoire • Exacerbé pour des dimensions nanométriques
  8. 8. MEMRISTOR ARCHITECTURE 8 CARACTERISATION DU MEMRISTOR • Résistance auto-adaptative  « apprentissage » du circuit • Utilisation comme mémoire
  9. 9. MEMRISTOR ARCHITECTURE 9 SIMILARITE NEURONE ET MEMRISTOR 𝑣 𝑀𝑅 𝑡 = 𝑉𝑚𝑒𝑚−𝑝𝑜𝑠 𝑡 − 𝑉𝑚𝑒𝑚−𝑝𝑟𝑒 𝑡 𝑣 𝑀𝑅 𝑡 = 𝛼 𝑝𝑜𝑠 𝑠𝑝𝑘 𝑡 − 𝑡 𝑝𝑜𝑠 − 𝛼 𝑝𝑟𝑒 𝑠𝑝𝑘 𝑡 − 𝑡 𝑝𝑟𝑒 𝑣 𝑀𝑅 𝑡 = 𝛼 𝑝𝑜𝑠 𝑠𝑝𝑘 𝑡 − 𝛼 𝑝𝑟𝑒 𝑠𝑝𝑘 𝑡 + ∆𝑡
  10. 10. MEMRISTOR ARCHITECTURE 10 SPIKES ET MEMRISTOR Selon l’ordre d’apparition des spikes, il existe des valeurs de 𝑣 𝑀𝑅 > 𝑉𝑠𝑒𝑢𝑖𝑙 ou 𝑣 𝑀𝑅 < 𝑉𝑠𝑒𝑢𝑖𝑙 Or, la valeur du memristor est actualisée uniquement si |𝒗 𝑴𝑹 | < 𝑽 𝒔𝒆𝒖𝒊𝒍 .
  11. 11. MEMRISTOR ARCHITECTURE 11 ACTUALISATION DE POTENTIEL Caractéristique ∆R-U du memristor Lien entre neurones réactualisé similaire à celui entre memristors : ∆𝑤 ∆𝑡 = 𝑓 𝑣 𝑀𝑅 𝑡, ∆𝑡 𝑑𝑡 = ξ( ∆𝑡) synapses biologiques modèles mathématiques (Bi&Poo, 2001)
  12. 12. 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
  13. 13. Meilleur compréhension du cerveau Machine learning, I.A., I.H.M. Reconnaissance de pattern visuels ARCHITECTURE CONCLUSION 13 APPLICATIONS Carlos Zamarreño-Ramos et al. 2011
  14. 14. CONCLUSION14 PERSPECTIVES D’AVENIR Blue Brain Project Neurogrid IBM SyNAPSE

×