Article de référence | Réf : IN220 v2

Mémoire associative et apprentissage
Processeur de perception bio-inspiré : une approche neuromorphique

Auteur(s) : Patrick PIRIM

Date de publication : 10 mai 2017

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

RÉSUMÉ

L’innovation dans le domaine biomimétique est devenue très active depuis 2015. En France c’est acté par : le CESE promulguant le biomimétisme d’intérêt public, l’inauguration du CEEBIOS, la création par le CNRS d’un groupe de travail BioComp, etc. Ces innovations dans le domaine des processeurs neuromorphiques s’inscrivent dorénavant dans le domaine d’applications de l’intelligence artificielle. Elles entrent en compétition avec l’apprentissage profond (Deep Learning) utilisé par de grandes sociétés internationales. L’apport du biomimétisme dans les processus calculatoires, présenté dans cet article, est un différenciateur important entre ces techniques.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

ABSTRACT

Innovation in the biomimetic domain has become very active since 2015. Its actors in France are: the CESE by declaring biomimicry of public interest, the inauguration of the CEEBIOS, and the creation by the CNRS of a BioComp working group, etc. These innovations achieved on neuromorphic processors now take their place in the field of artificial intelligence applications. They compete with deep learning used by major international companies. The contribution of biomimicry in computation processes, presented in this article, is an important differentiator between these techniques.

Auteur(s)

  • Patrick PIRIM : Président - BVS-Tech, Paris, France

INTRODUCTION

Résumé : L’innovation dans le domaine biomimétique est devenue très active depuis 2015. En France c’est acté par : le CESE promulguant le biomimétisme d’intérêt public, l’inauguration du CEEBIOS, la création par le CNRS d’un groupe de travail BioComp, etc.

Ces innovations dans le domaine des processeurs neuromorphiques s’inscrivent dorénavant dans le domaine d’applications de l’intelligence artificielle. Elles entrent en compétition avec l’apprentissage profond (Deep Learning) utilisé par de grandes sociétés internationales. L’apport du biomimétisme dans les processus calculatoires, présenté dans cet article, est un différenciateur important entre ces techniques.

Abstract : The innovation in the biomimetic domain becoming very active since 2015. It's acted in France by: the CESE by promulgating the biomimicry of public interest, the inauguration of the CEEBIOS, and the creation by the CNRS of a workgroup BioComp, etc.

These innovations done on neuromorphic processors join from now on in the field of the artificial intelligence applications. They compete with the deep learning used by big international companies. Biomimicry contribution in the computation processes, presented in this article, is differential important one between these techniques.

Mots-clés : processeur bio-inspiré, représentation sémantique, histogramme spatio-temporel, perception, attracteur dynamique, processus neuromorphique, invariance perceptive, apprentissage non supervisé

Keywords : neuromorphic processor, bio-inspired, semantic representation, spatiotemporal histogram, perception, dynamic attractor, neuromorphic process, perceptive invariance, unsupervised learning

Points clés

Domaine : Techniques d’imagerie et d’analyse par IA

Degré de diffusion de la technologie : Croissance | Processeur bio-inspiré -disponible

Technologies impliquées : Électronique numérique

Domaines d’application : Vision industrielle, TIC, IoT, ACAS, sécurité, -robotique, IA

Principaux acteurs français :

Industriels : BVS-tech, Chronocam, Spikenet

Pôles de compétitivité : Capdigital, Opticvalley, Systematics

Centre de compétence : CEEBIOS, gdr BIOCOMP, ISL

Autres acteurs dans le monde : Programme syNAPSE (IBM), NEUROGRID (Stanford), QUALCOMM, Movidius, Numenta

Contact : [email protected] ; http://www.bvs-tech.com

Cet article est réservé aux abonnés.
Il vous reste 95% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

KEYWORDS

neuromorphic processor   |   bio-inspired   |   spatiotemporal histogram   |   perception   |   dynamic attractor   |   neuromorphic process   |   perceptive invariance   |   unsupervised learning

VERSIONS

Il existe d'autres versions de cet article :

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v2-in220


Cet article fait partie de l’offre

Éco-conception et innovation responsable

(139 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Présentation

7. Mémoire associative et apprentissage

La mémoire associative va permettre l’apprentissage, d’abord supervisé puis non supervisé. Cette mémoire doit avoir les propriétés des RAM (Random Access Memory) et des CAM (Content Access Memory) suivant le mode demandé . Cette mémoire associative possède donc deux sous-modules ayant chacun une entrée/sortie de données, des signaux de commande, et pas d’adresse externe accessible (figure 11).

  • En mode apprentissage supervisé, les représentations sémantiques sont présentées sur une entrée, le mot associé sur la seconde entrée, et un signal de commande indique la fonction apprentissage et met les deux sous-modules en mode RAM, puis un second signal de commande valide l’écriture mémoire et incrémente un pointeur adresse interne.

  • En mode requête, indiqué par le signal de commande, le mot recherché est placé en entrée du premier sous-module en mode CAM, qui délivre l’adresse (lien) pour le second sous-module mis en mode RAM, et qui délivre les représentations sémantiques souhaitées.

  • En mode analyse, indiqué par le signal de commande, ce sont ces représentations sémantiques perçues qui arrivent en entrée du premier sous-module en mode CAM, qui délivre l’adresse (lien) pour le second sous-module en mode RAM, et qui délivre le mot compris.

La figure 12 met en œuvre la mémoire associative dans l’ensemble précédent. Un microcontrôleur intégré dans le module séquenceur assure le fonctionnement général.

Le dispositif ainsi constitué permet de réaliser des applications temps réel avec compréhension de l’environnement.

L’apprentissage non supervisé se différencie du supervisé en ce sens qu’aucun mot n’est fourni à la situation perçue, le -dispositif en crée un qui restera symbolique tant que cette situation ne trouvera pas une réponse connue.

...

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Éco-conception et innovation responsable

(139 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Mémoire associative et apprentissage
Sommaire
Sommaire

BIBLIOGRAPHIE

  • (1) - HUBEL (D.H.) -   Eye, brain and vision.  -  Scientific American Library, New York, OCLC 16649224, 240 p. (1988).

  • (2) - HUBEL (D.H.), WIESEL (T.N.) -   Receptive fields of single neurons in the cat’s striate cortex.  -  J. Physiol. (London) 148, 574-591 (1959).

  • (3) - BACH-Y RITA (P.), COLLINS (C.C.), SAUNDERS (F.), WHITE (B.), SCADDEN (L.) -   Vision substitution by tactile image projection.  -  Nature, 221, p. 963-964 (1969).

  • (4) - RENNO-COSTA (C.), LISMAN (J.E.), Verschure PFMJ -   A Signature of Attractor Dynamics in the CA3 Region of the Hippocampus.  -  PLoS Comput Biol 10(5): e1003641. doi:10.1371/journal.pcbi.1003641 (2014).

  • (5) - NILSEN (K.E.), RUSSELL (I.J.) -   The spatial and temporal representation of a tone on the guinea pig basilar membrane.  -  Proc. Nat. Acad. Sci. 97(22), 11751-11758 (2000).

  • (6)...

1 Sites Internet

BVS-Tech

http://www.bvs-tech.com

QUALCOMM

https://www.qualcomm.com/

Projet SyNAPSE

http://www.research.ibm.com/cognitive-computing/#fbid=y7cfK-SAicH

Projet Neurogrid

https://web.stanford.edu/group/brainsinsilicon/neurogrid.html

Human brain project

https://www.humanbrainproject.eu/en/

Hiérarchies de cartes corticales

http://www.sciences-cognitives.org/

NUMENTA

http://numenta.org/

Movidius

http://www.movidius.com/

Yann LECUN

http://www.college-de-france.fr/site/yann-lecun/course-2016-02-12-14h30.htm

HAUT DE PAGE

2 Brevets

Procédé de guidage automatique de véhicule dans une voie de circulation, dispositif correspondant FR2884625

Procédé et dispositif automatisé de perception avec détermination et caractérisation de bords et de frontières d’objets d’un espace, construction de contours et applications FR2858447

Procédé et dispositif de perception visuelle active pour caractériser et reconnaître un objet, notamment aux fins d’identification et de localisation...

Cet article est réservé aux abonnés.
Il vous reste 95% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Éco-conception et innovation responsable

(139 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS