Publications

Thèses


< retour aux thèses

« Conception de machines probabilistes dédiées aux inférences bayésiennes ».

Auteur : M. Faix
Directeur de thèse : E. Mazer
Co-directeur de thèse : L. Fesquet
Rapporteur(s) de thèse : B. Rouzeyre, P. Leray,
Examinateur(s) de thèse : O. Sentieys, W. Krauth, P. Galy, E. Alix,
These de Doctorat Université Grenoble Alpes
Spécialité : Micro et Nano Electronique
Soutenance : 12/12/2016
ISBN : 978-2-11-129223-9

Résumé

Ces travaux de recherche ont pour but de concevoir des ordinateurs basés sur une organisation du calcul mieux adaptée au raisonnement probabiliste. Notre intérêt s'est porté sur le traitement des données incertaines et les calculs à réaliser sur celles-ci. Pour cela, nous proposons des architectures de machines se soustrayant au modèle Von Neumann, supprimant notamment l'utilisation de l'arithmétique en virgule fixe ou flottante. Les applications comme le traitement capteurs ou la robotique en générale sont des exemples d'utilisation des architectures proposées. Plus spécifiquement, ces travaux décrivent deux types de machines probabilistes, radicalement différentes dans leur conception, dédiées aux problèmes d'inférences bayésiennes et utilisant le calcul stochastique. La première traite les problèmes d'inférence de faibles dimensions et utilise le calcul stochastique pour réaliser les opérations nécessaires au calcul de l'inférence. Cette machine est basée sur le concept de bus probabiliste et possède un très fort parallélisme. La deuxième machine permet de traiter les problèmes d'inférence en grandes dimensions. Elle implémente une méthode MCMC sous la forme d'un algorithme de Gibbs au niveau binaire. Dans ce cas, le calcul stochastique est utilisé pour réaliser les calculs nécessaires à l'échantillonnage, bit à bit, du modèle. Une importante caractéristique de cette machine est de contourner les problèmes de convergence généralement attribués au calcul stochastique. Nous présentons en fin de manuscrit une extension de ce second type de machine: une machine générique et programmable permettant de trouver une solution approchée à n'importe quel problème d'inférence.

pdf pdf