Abstract FR:

Cette these presente une etude des reseaux de neurones artificiels en tant que modeles de calcul parallele concretement exploitables. Le schema d'interconnexion des neurones leur permet de travailler de facon concurrente. Neanmoins les travaux d'implantation rapide de calculs neuronaux se heurtent generalement a une absence d'adequation de ce parallelisme connexionniste aux contraintes des supports paralleles disponibles. Les travaux presentes ici montrent qu'une etude specifique du parallelisme des reseaux de neurones doit depasser la structure apparente de ces modeles, et qu'une exploitation approfondie du parallelisme connexionniste passe par une algorithmique des calculs induits qui ne considere plus le neurone comme une unite atomique de la structure connexionniste. Cette demarche est d'abord utilisee dans le cadre d'une parallelisation d'apprentissage en-ligne a base de gradient sur machine parallele mimd a memoire distribuee. Elle apparait ensuite dans une methode d'implantation generale de perceptrons multicouches sur materiel reconfigurable. Elle aboutit enfin a une decomposition des connexions elles-memes, dans le cadre d'un travail plus specifiquement applicable a des implantations paralleles sur circuits numeriques : l'utilisation de principes du materiel programmable dans un contexte connexionniste introduit une nouvelle conception du calcul neuronal qui permet de simplifier les topologies des reseaux de neurones classiques sans perte significative en capacite d'approximation. La definition, l'etude theorique, les applications pratiques et les implantations des modeles connexionnistes issus de ce nouveau principe de calcul neuronal constituent la partie principale de cette these et realisent son objectif essentiel par l'exploitation directe et efficace du parallelisme connexionniste.