L’intelligence artificielle, dans son acception actuelle, désigne la capacité des machines à apprendre dans le cadre de l’apprentissage supervisé, non supervisé ou par renforcement. Derrière cette aptitude se « cachent » des circuits électroniques mimant le fonctionnement de réseaux de neurones.

Contexte général

Datant de plus de 60 ans, le concept d’intelligence artificielle fut formalisé à l’initiative de quatre éminents scientifiques : John Mc Carthy, Claude Shannon, Marvin Minski et Nathaniel Rochester [McCarthy et al.]. Ceux-ci ambitionnaient la réalisation de tâches considérées comme « intelligentes » par des machines de façon plus efficace que l’être humain n’est capable de le faire.

La mise en application de ce principe fondateur conduisit au développement de deux approches fondamentalement opposées et rivales : une approche « symbolique » logique totalement conceptualisée et une approche « connexionniste » s’appuyant sur les réseaux de neurones dont le fonctionnement reste de type « boite noire » [Pigenet et al.]…

L’approche connexionniste a suscité beaucoup d’espoir à son lancement et a rapidement montré ses limites pour les fonctions de reconnaissance et de tri des données. Ce n’est que depuis une dizaine d’années, que cette approche de l’IA connaît une renaissance flamboyante pour le traitement des masses de données que nous produisons en continu. Par exemple pour le traitement des images, utilisant des algorithmes connus depuis les années 1980 mais s’appuyant sur l’adéquation entre la puissance de calcul des processeurs modernes (ainsi qu’une architecture de neurones optimisée) et la quantité de données disponibles, l’apprentissage profond a révolutionné le domaine avec des résultats d’identification d’images incomparablement fiables [Krizhevsky et al.].

Depuis la puissance de l’approche connexionniste ne cesse de montrer son efficacité mais au prix d’un apprentissage particulièrement énergivore sur des quantités de données gigantesques.

Au quotidien, nous sommes des utilisateurs de ces réseaux de neurones sans toujours en être conscients par exemples lors de l’utilisation des fonctions avancées de nos téléphones portables (appareil photo, traduction, reconnaissance faciale…).

De plus, l’IA et son utilisation massive par les « géants du numériques » est un sujet souvent abordé de façon ésotérique et sous des aspects volontairement provocateurs (conscience des machines, trucage des vidéos…) qui mérite des actions de démystifications…

Ainsi, le projet DÉMIA se propose de revenir sur le fonctionnement de ces réseaux de neurones à un niveau plus simple et du point de vue du composant (IA hardware). L’un des objectifs de ce projet est de démystifier ces réseaux de neurones en montrant le principe de l’apprentissage directement sur table d’expérience avec des composants électroniques courants et sur des fonctions de reconnaissance simples.

Contexte local

Le projet que nous proposons ici est présenté en parallèle de la nouvelle thématique portée par les laboratoires limougeauds XLIM et IRCER concernant le développement de circuits innovants pour l’intelligence artificielle autour du nouveau projet ANR CIRANO (Oscillateurs à relaxation couplés à base de nanofils de VO₂ pour des dispositifs neuromorphiques). L’objectif principal de ce projet ANR est la démonstration expérimentale de la synchronisation d’un réseau d’oscillateurs couplés à base de nanofils de dioxyde de vanadium exploitant les propriétés originales et la structure quasi-parfaite de ce nanomatériau pour son intégration dans des dispositifs neuromorphiques. Le consortium impliqué dans CIRANO se compose de chercheurs et d’enseignants-chercheurs issus de laboratoires attachés à trois instituts du CNRS XLIM, l’IRCER et l’IJCLab.

DÉMIA permettra de renforcer l’aspect vulgarisation et communication du projet CIRANO qui se déroulera sur quatre ans à partir de 2023.

Objectifs

L’objectif du projet DÉMIA est de réaliser le démonstrateur d’un réseau de neurones physiques (PNN pour Physical Neural Networks) capable d’apprentissage supervisé en direct par l’expérimentateur intégrant seulement des composants électroniques commerciaux « conventionnels ». Celui-ci devra être accompagné d’une notice sous forme de poster (ou autre) pour expliquer simplement le fonctionnement de celui-ci et le principe de l’apprentissage pour une tâche « simple » comme la reconnaissance de chiffres manuscrits (784 pixels) présentée dans la publication précédemment mentionnée. Un tel démonstrateur permettra de sensibiliser lycéens, étudiants au principe de fonctionnement des circuits pour l’IA.

Etapes du projet et calendrier prévisionnel

Le projet sera divisé en deux étapes successives qui seront chacune d’elles défrichées par les partenaires du projet (dont le doctorant recruté sur le projet CIRANO) puis confiées à un stagiaire de M1 ou d’une école d’ingénieur affiliée à l’Université de Limoges.

Etape 1 : réalisation d’un perceptron (ancêtre le plus simple du réseau de neurone) en utilisant les composants électroniques simples. Modélisation de son comportement en utilisant le langage python pour se familiariser avec son principe et réalisation parallèle de test de type triage de données avec le circuit fabriqué.

Explication du principe et de l’utilisation de ce perceptron sous forme d’article de vulgarisation, de poster et/ou de vidéo « ludique ».

Etape 2 : réalisation d’un réseau de neurones plus complexe utilisant la brique de base du perceptron de l’étape précédente et test de ce circuit sur une tâche plus sophistiquée comme la reconnaissance de chiffres manuscrits. Une étape de modélisation analogique du circuit est envisageable suivant l’aisance du stagiaire à utiliser ce type de logiciel. Le rendu de cette étape est similaire à celui proposé dans la première.

Publics visés :

Lycéens des filières scientifiques/électroniques, étudiants de toute filière et grand public dans la mesure de sa curiosité concernant le sujet abordé.

Porteur du projet : ORLIANGES Jean-Christophe (XLIM) – Maître de conférences

Référent scientifique : CRUNTEANU Aurelian (XLIM) – Directeur de recherches au CNRS

 
[McCarthy et al.] McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the Dartmouth summer research project on artificial intelligence, august 31, 1955, AI magazine, 27(4), 12-12
[Pigenet et al.] Pigenet, Y., (2017). Des machines enfin intelligentes, CNRS, Le journal
[Krizhevsky et al.] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25