• Langue : Anglais
• Discipline : Informatique et applications
• Identifiant : 2025ULILB050
• Type de thèse : Doctorat
• Date de soutenance : 12/12/2025

Résumé en langue originale

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.

Résumé traduit

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.