Academic literature on the topic 'Neurone artificiel analogique'

L’émergence de l’application ChatGPT amène à se poser une nouvelle fois la question de la distinction entre le dialogue interhumain et la communication avec une machine. Les réseaux de neurones artificiels ont fait franchir un seuil irréversible, dont il importe de comprendre les conséquences. Un nouveau mode de relation avec ces machines s’instaure, qui n’est pas sans analogie avec ce que nous racontaient les mythes.

Les neurobiohybrides sont des systèmes composés d'un élément artificiel, d'une composante vivante et de l'interface qui les relie. Ces puissants outils permettent de connecter de manière fonctionnelle des éléments électroniques et des structures neuronales in vitro comme in vivo. De nombreux systèmes neurobiohybrides, plus communément appelés neuroprothèses, sont utilisés en médecine pour améliorer la qualité de vie de patients atteints de handicaps (surdité, déficits visuels, paralysie) en leur permettant de recouvrer partiellement les fonctions physiologiques perdues. Les neuroprothèses actuelles sont unidirectionnelles (elles stimulent OU enregistrent l'activité des neurones ciblés) et sont particulièrement énergivores. Intégrer une boucle de rétroaction de sorte que ces systèmes communiquent en temps réel de manière bidirectionnelle avec le tissu nerveux améliorerait leur efficacité tout en élargissant leur potentiel thérapeutique à d'autres conditions pathologiques. La principale difficulté à lever pour permettre l'établissement d'une telle boucle consiste à trouver un système de traitement de signal autonome et suffisamment miniaturisé. En 2017, le groupe Circuits Systèmes Applications des Micro-ondes (CSAM) de l'Institut d'Electronique, de Microélectronique et de Nanotechnologies (IEMN) de Lille a publié un neurone artificiel ultra-efficace en termes de consommation énergétique qui pourrait répondre à ces besoins. Ce neurone émet des potentiels d'action biomimétiques en termes de forme, d'amplitude et de fréquence des signaux émis, et fonctionne de manière entièrement analogique. Dans un précédent doctorat, il a été démontré que ces potentiels d'action biomimétiques permettent bien de stimuler l'activité électrique de neurones vivants. Les travaux présentés ici font suite à cette démonstration et visent à établir une boucle de communication bidirectionnelle complète entre des neurones vivants et ces neurones artificiels. Dans cet objectif, trois axes principaux de travail ont été définis : 1- Optimiser le design et la technologie d'une interface neurobiohybride ; 2- Sélectionner et caractériser de manière morphologique et fonctionnelle des modèles cellulaires vivants maintenus in vitro ; 3- Etablir une première boucle de communication bidirectionnelle entre ces neurones vivants et les neurones artificiels par le biais de l'interface neurobiohybride. Ce manuscrit présente les étapes de fabrication et d'optimisation de l'interface dont la surface a été travaillée pour optimiser les conditions d'enregistrement en milieu électrolytique, notamment par l'ajout d'une couche de passivation isolant les lignes d'accès et un développement de méthodes afin d'optimiser le positionnement des cellules sur les électrodes. Les cellules électriquement actives choisies pour cette démonstration (cellules endocrines hypophysaires murines GH4C1 (lignée établie) et neurones glutamatergiques humains dérivés de cellules souches pluripotentes induites) ont été caractérisées par patch-clamp, imagerie par fluorescence et imagerie calcique. Les premiers enregistrements de l'activité électrique de cellules GH4C1 cultivées dans une interface neurobiohybride ont été réalisés sur un banc d'enregistrement électronique conçu et optimisé au sein du laboratoire pour une détection de signaux de très faible amplitude. Ces travaux sont accompagnés par le développement d'un modèle électrique implémenté sous le logiciel LTSPICE intégrant le signal électrique émis par des cellules GH4C1 et enregistré via l'interface neurobiohybride. Ce faisant, il est possible d'établir une boucle de communication bidirectionnelle entre des neurones vivants et artificiels. En conclusion, ce travail permet d'ouvrir la voie vers une nouvelle génération de neuroprothèses bidirectionnelles
Neurobiohybrids are systems composed of an artificial element, a living component and their interface. These powerful tools enable the functional connection of electronic elements and neuronal structures both in vitro and in vivo. Many neurobiohybrid systems, more commonly known as neuroprostheses, are used in medicine to improve the quality of life of patients with disabilities (deafness, visual impairment, paralysis) by enabling them to recover, at least partly, lost physiological functions. Current neuroprostheses are unidirectional (they stimulate OR record the activity of targeted neurons) and are particularly energy-intensive. Integrating a feedback loop into these systems so that they could communicate bidirectionally in real time with nerve tissues would improve their efficiency and effectiveness, while broadening the range of their therapeutic potential. The main difficulty to overcome for enabling such a loop is to find an autonomous and sufficiently miniaturized signal processing system. In 2017, the Circuits Systèmes Applications des Micro-ondes (CSAM) group at Lille's Institute of Electronics, Microelectronics and Nanotechnologies (IEMN) published an ultra-efficient artificial neuron in terms of energy consumption that could meet these needs. This neuron generates biomimetic action potentials of similar shape, amplitude and frequency compared to living neurons, and is entirely analog. In a previous PhD work, it was shown that such biomimetic action potentials can trigger electric activity in living neurons. Following this demonstration, the present work aims to establish the proof-of-concept of the complete bidirectional communication loop between living neurons and these artificial neurons. To reach this goal, three main objectives were set: 1- Optimize the design and technology of a neurobiohybrid interface; 2- Select living cells for in vitro use and characterize them both morphologically and functionally; 3- Establish a first bidirectional communication loop between these living neurons and artificial neurons through the neurobiohybrid interface. This manuscript presents the manufacturing and optimization steps of the interface, whose surface has been enhanced to optimize recording conditions in an electrolytic environment, notably by adding a passivation layer to isolate the access lines and by developing methods to optimize cell position on the electrodes. The electrically active cells chosen for this demonstration (murine pituitary endocrine GH4C1 cells, an established cell line, and human glutamatergic neurons derived from induced pluripotent stem cells) were characterized by patch-clamp, fluorescence imaging and calcium imaging. The first recordings of the electrical activity of GH4C1 cells grown in a neurobiohybrid interface were carried out on an electronic recording bench designed and optimized in-house for detecting very low amplitude signals. This work also led to the development of an electrical model implemented in LTSPICE software, integrating electrical signals emitted by GH4C1 cells as recorded through the neurobiohybrid interface. This enabled the establishment of a bidirectional communication loop between living and artificial neurons. To conclude, this work opens the way to a new generation of bidirectional neuroprostheses

Cette these decrit une nouvelle approche pour la modelisation de neurones biologiques. Cette approche utilise des circuits electroniques integres analogiques specifiques pour implementer le formalisme de hodgkin-huxley. Ils sont realises en technologie bicmos ams 0. 8 m, selon un mode de conception full custom. Nous pouvons ainsi, grace a ces asics (application specific integrated circuits), reproduire en temps reel, et de facon precise, le comportement electrique dynamique d'un grand nombre de cellules nerveuses. De veritables neurones artificiels sont alors disponibles pour la construction de ce que nous avons appele les reseaux hybrides. Ces reseaux mettent en relation neurones reels in vitro et neurones electroniques et ouvrent de nombreuses perspectives pour des experimentations en neurophysiologie.

Dans un contexte où l'usage de circuits neuromimétiques se généralise au sein des neurosciences, nous étudions ici leur intégration au sein de réseaux adaptatifs. Les circuits mis en oeuvre se basent sur un modèle proche de la biologie résolu en continu et en temps réel. Les calculs relatifs à l'adaptation du réseau sont réalisés en numérique temps réel, logiciel et/ou matériel. La partie logicielle est assurée par un ordinateur interfacé à travers le bus PCI, tandis que la partie matérielle utilise des EPGAS. Trois générations sont présentés avec une analyse critique sur leur utilisation comme système de simulation de réseau neuronal.

Avec la fin annoncée de la loi de Moore, les acteurs de la microélectronique cherchent de nouveaux paradigmes sur lesquels s’appuyer pour alimenter les développements futurs de notre société de l’information. En s’inspirant des systèmes nerveux biologiques, l’ingénierie neuromorphique offre des perspectives nouvelles qui révolutionnent d’ores et déjà l’intelligence artificielle. Pour que leurs performances permettent leur généralisation, les processeurs neuronaux se doivent d’intégrer des circuits de neurones les plus petits et les moins énergivores possible afin que les réseaux de neurones artificiels qu’ils implémentent atteignent une taille critique. Dans ce travail, nous montrons qu’il est possible de réduire le nombre de composants nécessaires à la conception d’un circuit analogique de neurone impulsionnel par la fonctionnalisation des courants de génération parasites dans un transistor BIMOS intégré en technologie 28 nm FD-SOI et dimensionné aux tailles minimales autorisées par la technologie. Après une caractérisation systématique des ces courants par des mesures quasi-statiques du FD-SOI BIMOS à température ambiante sous différentes polarisations, une modélisation compacte de ce composant adaptée à partir du modèle CEA-LETI UTSOI est proposée. Le circuit analogique de neurone impulsionnel à fuite, intégration et déclenchement basé sur le BIMOS (« BIMOS-based leaky, integrate-and-fire spiking neuron » : BB-LIF SN) est ensuite décrit. L’influence des différentes dimensions caractéristiques et polarisations de contrôle sur son fonctionnement observée lors des mesures sur des démonstrateurs fabriqués sur silicium est expliquée en détail. Un modèle analytique simple de ses limites de fonctionnement est proposé. La cohérence entre les résultats de mesures, ceux de simulations compactes et les prédictions du modèle analytique simple atteste la pertinence des analyses proposées. Dans sa version la plus aboutie, le BB-LIF SN occupe une surface de 15 µm², consomme environ 2 pJ/spike, fonctionne à des fréquences de déclenchement comprises entre 3 et 75 kHz pour des courant synaptique compris entre 600 pA et 25 nA sous une tension d’alimentation de 3 V
While Moore’s law reaches its limits, microelectronics actors are looking for new paradigms to ensure future developments of our information society. Inspired by biologic nervous systems, neuromorphic engineering is providing new perspectives which have already enabled breakthroughs in artificial intelligence. To achieve sufficient performances to allow their spread, neural processors have to integrate neuron circuits as small and as low power(ed) as possible so that artificial neural networks they implement reach a critical size. In this work, we show that it is possible to reduce the number of components necessary to design an analogue spiking neuron circuit thanks to the functionalisation of parasitic generation currents in a BIMOS transistor integrated in 28 nm FD-SOI technology and sized with the minimum dimensions allowed by this technology. After a systematic characterization of the FD-SOI BIMOS currents under several biases through quasi-static measurements at room temperature, a compact model of this component, adapted from the CEA-LETI UTSOI one, is proposed. The BIMOS-based leaky, integrate-and-fire spiking neuron (BB-LIF SN) circuit is described. Influence of the different design and bias parameters on its behaviour observed during measurements performed on a demonstrator fabricated in silicon is explained in detail. A simple analytic model of its operating boundaries is proposed. The coherence between measurement and compact simulation results and predictions coming from the simple analytic model attests to the relevance of the proposed analysis. In its most successful achievement, the BB-LIF SN circuit is 15 µm², consumes around 2 pJ/spike, triggers at a rate between 3 and 75 kHz for 600 pA to 25 nA synaptic currents under a 3 V power supply

La bioélectronique est un domaine transdisciplinaire qui oeuvre, entre autres, àl’interconnexion entre des systèmes biologiques présentant une activité électrique et le mondede l’électronique. Cette communication avec le vivant implique l’observation de l’activitéélectrique des cellules considérées et nécessite donc une chaine d’acquisition électronique.L’utilisation de Multi/Micro Electrodes Array débouche sur des systèmes devantacquérir un grand nombre de canaux en parallèle, dès lors la consommation etl’encombrement des circuits d’acquisition ont un impact significatif sur la viabilité dusystème destiné à être implanté.Cette thèse propose deux réflexions à propos de ces circuits d’acquisition. Une ces desréflexions a trait aux circuits d’amplification, à leur impédance d’entrée et à leurconsommation ; l’autre concerne un détecteur de potentiels d’action analogique, samodélisation et son optimisation.Ces travaux théoriques ayant abouti à des résultats concrets, un ASIC a été conçu,fabriqué, testé et caractérisé au cours de cette thèse. Cet ASIC à huit canaux comporte doncdes amplificateurs et des détecteurs de potentiels d’action analogiques et constitue le principalapport de ce travail de thèse
Bioelectronics is a transdisciplinary field which develops interconnection devicesbetween biological systems presenting electrical activity and the world of electronics. Thiscommunication with living tissues implies to observe the electrical activity of the cells andtherefore requires an electronic acquisition chain.The use of Multi / Micro Electrode Array leads to systems that acquire a large numberof parallel channels, thus consumption and congestion of acquisition circuits have asignificant impact on the viability of the system to be implanted.This thesis proposes two reflections about these acquisition circuits. One of thesereflections relates to amplifier circuits, their input impedance and consumption; the otherconcerns an analogue action potentials detector, its modeling and optimization.These theoretical work leading to concrete results, an ASIC was designed,manufactured, tested and characterized in this thesis. This eight-channel ASIC thereforeincludes amplifiers and analogue action potentials detector and is the main contribution of thisthesis

Actuellement, les technologies du traitement d'information ont atteint leurs limites et il devient donc urgent de proposer de nouveaux paradigmes capables de réduire la consommation d'énergie tout en augmentant la capacité de calcul des ordinateurs. Le cerveau humain est un fascinant et puissant organe, avec ses 300 milliards de cellule, il est capable d’effectuer des taches cognitives en consommant 20W. Dans ce contexte nous avons investiguer un nouveau paradigme appelé "neuromorphic computing" ou le traitement bio-inspiré de l'information.L'objectif de cette thèse est de concevoir et de fabriquer un neurone artificiel a très faible consommation utilisant les récentes avancées scientifiques dans les neurosciences et les nanotechnologies. Premièrement, on a investigué le fonctionnement d'un neurone vivant, sa membrane neuronale et nous avons exploré 3 différents modèles de membranes connues sous le nom de Hodgkin Huxley, Wei et Morris Lecar. Deuxièmement, en se basant sur le modèle de Morris Lecar, nous avons réalisé des neurones artificiels analogiques à spike avec différentes constantes de temps. Puis ils ont été fabriqués avec la technologie 65nm CMOS. Par la suite, nous les avons caractérisés et obtenu des performances dépassant l’état de l’art en terme de surface occupée, puissance dissipée et efficacité énergétique. Finalement, on a analysé et comparé le bruit dans ces neurones artificiels avec le bruit dans des neurones biologiques et on a démontré expérimentalement le phénomène de résonance stochastique. Ces neurones artificiels peuvent être extrêmement utiles pour une large variété d’application allant du traitement de données à l’application médicale
Current computing technology has now reached its limits and it becomes thus urgent to propose new paradigms for information processing capable of reducing the energy consumption while improving the computing performances. Moreover, the human brain, is a fascinating and powerful organ with remarkable performances in areas as varied as learning, creativity, fault tolerance. Furthermore, with its total 300 billion cells, is able to perform complex cognitive tasks by consuming only around 20W. In this context, we investigated a new paradigm called neuromorphic or bio-inspired information processing.More precisely, the purpose of this thesis was to design and fabricate an ultra-low power artificial neuron using recent advances in neuroscience and nanotechnology. First, we investigated the functionalities of living neurons, their neuronal membrane and explored different membrane models known as Hodgkin Huxley, Wei and Morris Lecar models. Second, based on the Morris Lecar model, we designed analog spiking artificial neurons with different time constants and these neurons were fabricated using 65nm CMOS technology. Then we characterized these artificial neurons and obtained state of the art performances in terms of area, dissipated power and energy efficiency. Finally we investigated the noise within these artificial neurons, compared it with the biological sources of noise in a living neuron and experimentally demonstrated the stochastic resonance phenomenon. These artificial neurons can be extremely useful for a large variety of applications, ranging from data analysis (image and video processing) to medical aspect (neuronal implants)

Nous nous sommes intéressés à un domaine particulier des réseaux de neurone qui est celui de la modélisation des comportements dépendant du contexte. Pour cela nous avons développé un nouveau type d'algorithme d'apprentissage (LCLA) pour les architectures fondées sur des ensembles de plusieurs perceptrons multi-couches dans lesquelles le comportement dépendant du contexte est statiquement distribué sur chacun de ces réseaux. Puis nous avons développé, par extension aux caractéristiques de ce type d'architecture, un nouveau modèle neuronal, ainsi que son algorithme d'apprentissage, dans lequel les efficacités synaptiques des connexions sont dynamiquement estimées en regard du contexte du comportement à modéliser (OWE). D’autre part, tout au long de cette recherche nous avons pu faire de fortes analogies avec des études sur la psychologie du comportement d'une part et avec des structures neurobiologiques d'autre part nous permettant ainsi de valider notre approche dans le domaine pluridisciplinaire qu'est celui du neuro-mimétisme. Ces modèles ont également fait l'objet de validation sur des applications industrielles au sein de la société Sollac, pour le pré-réglage d'une machine d'écrouissage appelé skinpass 80' et dans la mise en œuvre d'un contrôleur neuronal pour la régulation des températures des zones d'un four de recuit continu mixte (RCM)

Ce sujet de recherche a pour principaux objectifs la réalisation d'une bibliothèque de fonctions électroniques analogiques intégrées réalisant les opérations mathématiques présentes dans les modèles des canaux ioniques des neurones et l'évaluation des éléments de cette même bibliothèque. Ce travail se poursuit par la conception d'un système démonstrateur basé sur un circuit intégré analogique neuromimétique utilisant la bibliothèque d'opérateurs pour que ce même circuit intégré puisse être utilisé dans de nouvelles expériences mettant en oeuvre la technique hybride. En fonction des performances du circuit, il a été aussi étudié la faisabilité de son utilisation pour le développement d'un outil d'extraction des paramètres d'une cellule nerveuse, voire même d'un mini-réseau composé de moins d'une dizaine de neurones, par la technique d'optimisation.

Dans la prochaine ère de l'informatique distribuée, les ordinateurs inspirés par le cerveau qui effectuent des opérations localement plutôt que dans des serveurs distants seraient un avantage majeur en réduisant les coûts énergétiques et réduisant l'impact environnemental. Une nouvelle génération de nanodispositifs de mémoire non-volatile est un candidat de premier plan pour réaliser cette vision neuromorphique. À l'aide de travaux théoriques et expérimentaux, nous avons exploré les problèmes critiques qui se posent lors de la réalisation physique des architectures de réseaux de neurones artificiels modernes (ANN) en utilisant des dispositifs de mémoire émergents (nanodispositifs « memristifs »). Dans notre travail expérimental, nos dispositifs organiques (polymeriques) se sont adaptés avec succès et automatiquement en tant que portes logiques reconfigurables en coopérant avec un neurone digital et programmable (FGPA). Dans nos travaux théoriques, nous aussi avons considéré les multicouches memristives ANNs. Nous avons développé et simulé des variantes de projection aléatoire (un système NoProp) et de rétropropagation (un système perceptron multicouche) qui utilisent deux crossbars. Ces systèmes d'apprentissage locaux ont montré des dépendances critiques sur les contraintes physiques des nanodispositifs. Enfin, nous avons examiné comment les conceptions ANNs “feed-forward” peuvent être modi-fiées pour exploiter les effets temporels. Nous avons amélioré la bio-inspiration et la performance du système NoProp, par exemple, avec des effets de plasticité dans la première couche. Ces effets ont été obtenus en utilisant un nanodispositif à ionisation d'argent avec un comportement de transition de plasticité intrinsèque
In the next era of distributed computing, brain-based computers that perform operations locally rather than in remote servers would be a major benefit in reducing global energy costs. A new generation of emerging nonvolatile memory devices is a leading candidate for achieving this neuromorphic vision. Using theoretical and experimental work, we have explored critical issues that arise when physically realizing modern artificial neural network (ANN) architectures using emerging memory devices (“memristors”). In our experimental work, we showed organic nanosynapses adapting automatically as logic gates via a companion digital neuron and programmable logic cell (FGPA). In our theoretical work, we also considered multilayer memristive ANNs. We have developed and simulated random projection (NoProp) and backpropagation (Multilayer Perceptron) variants that use two crossbars. These local learning systems showed critical dependencies on the physical constraints of nanodevices. Finally, we examined how feed-forward ANN designs can be modified to exploit temporal effects. We focused in particular on improving bio-inspiration and performance of the NoProp system, for example, we improved the performance with plasticity effects in the first layer. These effects were obtained using a silver ionic nanodevice with intrinsic plasticity transition behavior

Les avancées récentes dans le domaine de l'intelligence artificielle (IA), en particulier dans la reconnaissance d'images et le traitement du langage naturel, ouvrent de nouvelles perspectives qui vont bien au-delà de la recherche académique. L'IA, portée par ces succès populaires, repose sur des algorithmes basés sur des "réseaux de neurones" et elle se nourrit des vastes quantités d'informations accessibles sur Internet, notamment via des ressources telles que l'encyclopédie en ligne Wikipédia, la numérisation de livres et de revues, ainsi que des bibliothèques de photographies. Si l'on en croit les propres dires du programme informatique ChatGPT, son réseau de neurones compte plus de 175 millions de paramètres. Quant à notre cerveau, qui était le modèle initial de cette approche connexionniste, il compte environ 86 milliards de neurones formant un vaste réseau interconnecté... Dans ce travail, nous proposons une approche plus modeste de l'IA en nous contentant de décrire les résultats que l'on peut obtenir avec un seul neurone synthétique isolé, le modèle historique du perceptron (proposé par Frank Rosenblatt dans les années 1950). C'est un "Retour vers le futur" de l'IA qui est entrepris pour fabriquer et tester un neurone artificiel à partir de composants électroniques simples. Celui-ci doit permettre de différencier un chien d'un chat à partir de données anatomiques collectées sur ces animaux.