Abstract FR:

La recherche sur les reseaux de neurones formels (rnf) montre qu'ils peuvent apporter des solutions a certains problemes difficiles a resoudre sur les ordinateurs classiques. Pour les utiliser en temps reel, la conception de circuits integres dedies aux rnf a ete proposee. L'objectif de cette these a porte sur la conception et la realisation analogique des rnf, plus particulierement de la machine de boltzmann un modele de rnf booleen et stochastique, a temps discret. Apres une introduction generale aux rnf et a la machine de boltzmann, je presente une revue des implantations recentes de la machine de boltzmann dans chapitre 2. Le chapitre 3 est consacre a la conception et la realisation analogique des briques de base de l'apprentissage de la machine de boltzmann. J'introduis une nouvelle structure de la primitive compteur analogique, qui presente une tres bonne linearite et controlabilite. Le test de ces circuits realise avec succes l'apprentissage du reseau de xor sur une machine de boltzmann seuillee. Au chapitre 4, je compare trois algorithmes d'apprentissage de la machine de boltzmann a l'aide d'un simulateur que j'ai ecrit. Les resultats obtenus m'ont conduit a concevoir des circuits pour une architecture qui est adaptee a la fois a l'apprentissage synchrone asymetrique et a l'apprentissage asynchrone. Je presente une realisation originale de cellule neurone dont les effets secondaires sont compenses automatiquement. Au chapitre 5, je concois un demonstrateur de cette machine de boltzmann lineaire et un sequenceur pour le mettre en uvre. La simulation des problemes de classification bayesienne donne des taux d'erreur tres proches des meilleurs resultats theoriques malgre les imperfections de la realisation. Un exemple de reconnaissance d'une base d'images de chiffres est effectue sur ce demonstrateur avec les poids appris par une autre base des images, dont le taux de reconnaissance est superieur a 95%