• Langue : Anglais
• Discipline : Informatique et applications
• Identifiant : 2022ULILB008
• Type de thèse : Doctorat
• Date de soutenance : 20/06/2022

Résumé en langue originale

Les architectures neuromorphiques sont une des pistes les plus prometteuses pour réduire très significativement la consommation d'énergie des ordinateurs de demain. Elles s'inspirent du fonctionnement du cerveau à un niveau assez précis et consistent en des réseaux de neurones artificiels impulsionnels. Pour concevoir de telles architectures qui reposent sur des nano-composants innovants, il est nécessaire de passer par des étapes de simulation. Pour comprendre comment se passe l'apprentissage (non supervisé) dans un tel réseau, nous devons analyser les événements simulés. Lors de simulations de réseaux de grande taille (quelques centaines de milliers de neurones et quelques dizaines de millions de synapses) qui durent plusieurs jours, on peut générer des traces d'exécution de plusieurs téraoctets. L'analyse de telles traces est un vrai défi à cause de la taille des données et de leur aspect spatio-temporel qui peut être analysé à plusieurs échelles. Ce sujet de thèse consiste en la visualisation interactive de telles traces de simulation pour permettre leur analyse en vue d'une meilleure compréhension des phénomènes d'apprentissage et d'amélioration de l'architecture neuromorphique implémenter actuellement. La thèse nécessite une étude de l'état de l'art des techniques de visualisation de données comparables à celles qui nous intéressent, à la proposition de visualisations adaptées aux besoins d'analyse des phénomènes d'apprentissage dans les réseaux de neurones impulsionnels, à leur implémentation en utilisant des dispositifs de visionnage à haute, voire très haute résolution, et enfin à l'étude de l'interactivité qu'on peut y proposer pour affiner l'analyse et la rendre interactive.

Résumé traduit

Neuromorphic architectures are one of the most promising ways to significantly reduce the energy consumption of tomorrow's computers. They are inspired by the functioning of the brain at a fairly precise level and consist of impulse artificial neural networks. To design such architectures based on innovative nano-components, it is necessary to go through simulation steps. To understand how learning (unsupervised) happens in such a network, we need to analyze simulated events. During simulations of large networks (a few hundreds of thousands of neurons and tens of millions of synapses) that last several days, we can generate traces of execution of several terabytes. The analysis of such traces is a real challenge because of the size of the data and their spatio-temporal aspect which can be analyzed at several scales. This thesis subject consists of the interactive visualization of such simulation traces to enable their analysis to better understand the phenomena of learning and improving the neuromorphic architecture currently implemented. The thesis requires a study of the state of the art of data visualization techniques comparable to those which interest us, to the proposal of visualizations adapted to the needs of analysis of the phenomena of learning in the networks of impulse neurons, to their implementation using high or very high resolution viewing devices, and finally the study of the interactivity that can be proposed to refine the analysis and make it interactive.