Abstract FR:

De nombreux progres ont eu lieu dans le domaine des reseaux de neurones ces dernieres annees, notamment sur le plan theorique. Afin d'accelerer les simulations de ces reseaux, de nouvelles architectures ont ete proposees, pour apporter un gain en vitesse. Dans le cadre de cette these je me suis interesse a la machine de boltzmann qui est un reseau de neurone stochastique. En effet ce type de reseau offre des performances superieures aux autres, mais il demande des temps de simulations plus importants. Or les architectures analogiques sont particulierement adaptees aux reseaux de neurones. J'ai decrit trois etudes avancees de la machine de boltzmann analogique. Mais ces realisations analogiques de machines de boltzmann possedent un algorithme d'apprentissage cable, ce qui interdit le changement de cet algorithme apres la realisation d'un circuit. Je me suis donc attache, au cours de cette these, a concevoir un circuit mixte analogique-numerique comportant un apprentissage programmable. Apres une presentation generale des reseaux de neurones formels et de la machine de boltzmann, je presente l'architecture de la machine de boltzmann telle que nous l'avons concue. Je decris la conception et la realisation d'un prototype de synapse avec apprentissage comprenant un processeur bit-serie, un convertisseur numerique analogique et un convertisseur tension-courant. La derniere partie de la these est la validation experimentale des choix theoriques, et de la conception que j'ai effectues. En effet dans cette partie je teste le circuit prototype, puis je mets en oeuvre une machine de boltzmann construite avec ce circuit, afin de confirmer ses performances. Le gain de vitesse par rapport a une station de travail sparc2 est de 25. Les resultats positifs obtenus lors de cette mise en oeuvre nous permettent de preparer la conception d'un circuit comprenant beaucoup plus de synapses