Contribution à l'étude de l'impact des nanotechnologies sur les architectures : apprentissage d'inspiration neuronale de fonctions logiques pour circuits programmables

Contribution to the study of the impact of nanotechnology on architectures : neuronal learning programmable logic functions circuits

• Auteur / Autrice : Michel Haiyu He
• Direction : Jacques-Olivier Klein
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance en 2008
• Etablissement(s) : Paris 11
• Partenaire(s) de recherche : Autre partenaire : Université de Paris-Sud. Faculté des sciences d'Orsay (Essonne)

Mots clés

Mots clés contrôlés

Apprentissage

Architecture

Nanotechnologie

Mots clés libres

Reconfigurable

Logique

Redondance

Résumé

Au regard de l’intérêt porté envers les nanotechnologies, l’objectif de ce travail de thèse est d’étudier l’architecture bioinspirée des nanocomposants pour la réalisation d’un bloc de mémoire associative en guise du bloc de calcul logique universel. La première partie du manuscrit s’intéresse aux problématiques des méthodes de fabrication contemporaine, puis l’étude des propriétés des nanocomposants comme l’alternative éventuelle. En seconde partie le développement de l'architecture des réseaux de neurones est décrit en détails dans le contexte des circuits reconfigurable. Pour la dernière partie, la robustesse est évaluée par simulation fonctionnelle. Il est alors question d’étudier la redondance des réseaux, qui est inhérente à ce type d’architecture. Les simulations montrent la possibilité de construire ce genre de circuit robuste grâce à l’apprentissage neuronal.

The objective is to study bioinspired architecture of nanocomposants for associative memory unit as a universal logic and arithmetic processing element. The first part of the manuscript deal with the analysis of issues of deployed process and study of nanocomponents. In the second part, the development of neural network based architecture is described in the context of reconfigurable circuits. For the last part, the defect tolerance of the architecture is assessed by functional simulations in redundant networks. The simulations showed the entire feasibility of such circuit through neural learning process.