Calcul hyper-dimensionnel pour la reconnaissance de gestes à partir de signaux biologiques (intelligence artificielle)

Ce travail de thèse propose d'étudier un nouveau paradigme de calcul appelé « calcul hyperdimensionnel ». Développé et utilisé pour les applications de l'intelligence artificielle, ce nouveau paradigme, qui s'inspire des modèles d'activité neuronale, s'appuie sur l'utilisation de grands vecteurs (~10000 bits chacun). Durant ces dernières années, cette approche s'est récemment avérée être très efficace pour des applications de reconnaissance et de classification (associées à différentes fonctions cognitives comme la perception, la mémoire, le langage, etc.). Très robuste au bruit numérique, le calcul hyperdimensionnel est aujourd'hui envisagé au sein même de la mémoire (in-memory-computing) afin de réduire notablement la consommation d'énergie en évitant ou limitant le transfert de données entre la mémoire et le CPU. Ce que nous proposons dans le cadre de cette thèse, c'est une implémentation hardware de cet algorithme. L'objectif sera d'évaluer son efficacité pour la reconnaissance et la classification de signaux biologiques (électromyographies, électroencéphalographies) afin de proposer une technologie ambitieuse pour l'aide au diagnostic et à la prise de décision.