Note ABES FPGA-Based Neuromorphic Architecture for Spiking Neural Network Emulation Architecture neuromorphique basé sur FPGA pour l’émulation de réseaux de neurones impulsionnels Intelligence artificielle embarquée Architectures neuromorphiques; Fpga Réseaux de Neurones Impulsionnels Informatique en périphérie Architecture Numérique Embedded AI Neuromorphic architectures Fpga Spiking Neural Networks Edge Computing. Digital Architecture Réseaux neuronaux (informatique) Systèmes embarqués (informatique) Internet des objets Réseaux logiques programmables par l'utilisateur L'intelligence artificielle (IA), et plus particulièrement les Réseaux de Neurones Artificiels (ANNs) ont pris une place centrale dans l'informatique moderne avec des performances remarquables pour la résolution de tâches complexes. Leur intégration dans des systèmes embarqués a donné naissance à l'Intelligence Artificielle des Objets (AIoT).Cependant, le déploiement d'ANNs sur ces systèmes demeure difficile dû à leur complexité. Pour relever ce défi, les chercheurs étudient le recours à du matériel spécialisé, à la compression de modèles et à des solutions cloud. Le Calcul Neuromorphique offre une solution viable, s'inspirant du cerveau par l'utilisation de Réseaux de Neurones Impulsionnels (SNNs).Bien que prometteuses, les puces neuromorphiques sont souvent limitées et peu reconfigurables, plaçant les Field Programmable Gate Arrays (FPGAs) comme des plateformes privilégiées pour la recherche. C'est dans ce contexte que nous avons développé ModNEF, une architecture modulaire libre sur FPGA permettant l'inférence de SNN complexes via l'interconnexion de modules indépendants, offrant ainsi une grande flexibilité d'implémentation. Nous avons validé notre architecture sur des jeux de données neuromorphiques standards ainsi que sur une étude de cas sur la détection de cachalots en mer Méditerranée, démontrant sa capacité à réaliser des tâches de classification pour des applications embarquées. Artificial Intelligence (AI), and particularly Artificial Neural Networks (ANNs) have become central to modern computing with remarkable performances for complex task resolution. Their integration on embedded systems establishes the Artificial Intelligence of Things (AIoT).However, ANNs remain challenging to deploy on such systems due to their complexity. To address this, researchers explore specialized hardware, model compression, and cloud solutions. Neuromorphic Computing offers an alternative solution, drawing inspiration from the brain by using Spiking Neural Networks (SNNs).Although promising, neuromorphic chips are limited and poorly reconfigurable, making Field Programmable Gate Arrays (FPGAs) an interesting target for research. In this context, we developed ModNEF, an open-source modular FPGA architecture for SNN inference through the interconnection of independent modules, offering high implementation flexibility. We validated our architecture on standard neuromorphic datasets and on a use case for sperm whale detection in the Mediterranean Sea, demonstrating its capacity to perform classification tasks for embedded applications. Electronic Thesis or Dissertation Text en PDF 6992888 https://pepite-depot.univ-lille.fr/LIBRE/EDMADIS/2025/2025ULILB050.pdf https://theses.fr/2025ULILB050/abes https://theses.hal.science/tel-05543829 https://theses.hal.science/tel-05543829 https://theses.hal.science/tel-05543829 Saulquin Aurélie Saulquin 1998-04-14 FR 296883824 https://theses.fr/2025ULILB050 2025ULILB050 https://doi.org/10.70675/63c8ec99z8737z480fz9441z84139fe9543c 2025-12-12 Informatique et applications Université de Lille (2022-....) 259265152 Doctorat Docteur es non oui Meftali Samy MADS_DIRECTEUR_DE_THESE_1 07916241X Boulet Pierre MADS_DIRECTEUR_DE_THESE_2 069782644 Hoel Virginie MADS_PRESIDENT_DU_JURY 121234223 Saïghi Sylvain MADS_RAPPORTEUR_1 083962387 Pétrot Frédéric MADS_RAPPORTEUR_2 108969223 École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 258621362 Centre de Recherche en Informatique, Signal et Automatique de Lille MADS_PARTENAIRE_DE_RECHERCHE_1 410272 18388695X Institut de Recherche sur les Composants logiciels et matériels pour l'Information et la Communication Avancée MADS_PARTENAIRE_DE_RECHERCHE_2 244724 132281589 Hauts-de-France. Conseil régional MADS_PARTENAIRE_DE_RECHERCHE_3 203650891 Université de Lille (2022-....) MADS_PARTENAIRE_DE_RECHERCHE_4 259265152 ddc:004 Meftali Samy Boulet Pierre Hoel Virginie Saïghi Sylvain Pétrot Frédéric École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) Centre de Recherche en Informatique, Signal et Automatique de Lille Institut de Recherche sur les Composants logiciels et matériels pour l'Information et la Communication Avancée Hauts-de-France. Conseil régional Université de Lille (2022-....) PDF 6992888