École Nationale Supérieure de
Techniques Avancées

Résumé

L’informatique neuromorphique vise à faire du calcul de manière rapide et économe en énergie en s’inspirant du cerveau. Le calcul neuromorphique inclus les recherches d’architectures de mémoire interne, les principes de calcul et aussi les algorithmes d’apprentissage. Il est important pour le système neuromorphique d’appliquer un algorithme d’apprentissage compatible qui permet au système de réaliser des performances admirables avec des vitesses de réaction élevées et une consommation d’énergie minimale. Equilibrium Propagation(EP) est un algorithme profondément étudié dans la communauté neuromorphique car il repose sur le même hardware pour la phase d’apprentissage et d’inférence et offre une règle d’apprentissage locale. Cependant, l’EP n'a jusqu’à présent été étudiée que sous forme d’apprentissage supervisé (c’est-à-dire avec des données étiquetées), alors qu’en pratique la grande quantité de données étiquetées n’est pas toujours disponible. Voici une tentative d’entraînement d’un réseau neuronal dynamique avec EP de manière non supervisée (c’est-à-dire avec des données non étiquetées). Ce nouvel algorithme d’apprentissage est nommé Equilibrium Propagation non supervisée (unsupervised EP). À partir de l’algorithme EP initial, nous avons ajouté les mécanismes de « le gagnant prend tout » (WTA) et de période réfractaire (RP) pour réaliser l’apprentissage non-supervisé sur les tâches de classification d’images. Notre EP non supervisé a atteint une précision de 95,20 % sur l’ensemble de données Digits, 84,52% sur l’ensemble de données MNIST.