Tesis sobre el tema "Neurone artificiel analogique"

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 réseaux de neurones artificiels sont particulièrement intéressants pour les implémentations CMOS VLSI (Very Large Scale Integration Complementary Metal-Oxide Semiconductor) car chaque élément parallèle (neurone ou synapse) est relativement simple, permettant l'intégration complète de grands réseaux sur une seule puce. Les multiplieurs, la fonction non-linéaire et sa dérivée sont des éléments clés essentiels dans le traitement du signal analogique et notamment dans la mise en œuvre VLSI analogique de réseaux neuronaux artificiels. Les principales conditions de ce type de circuits sont les suivantes : une faible surface de Silicium et une faible consommation électrique. Pour valider notre approche, nous avons choisi comme type d’application, la classification de cellules cancéreuses (malignes ou bénignes) du sein. Il existe de nombreux types de réseaux de neurones: réseau de neurones à réaction avec rétro-propagation (MLP), réseau de base radiale (RBN), réseau de neurones récurrents (RNN) et autres. Le réseau de neurones étudié dans cette thèse est basé sur l'architecture Multi-Layer Perceptron, formé par la rétro-propagation. L’objectif principal est de trouver les meilleurs compromis et optimisations pour réaliser des circuits avec une technologie mature HCMOS9A 130 nm de STMicroelectronics alimentés sous ±900mV afin d’avoir le coût le plus faible possible. Après avoir choisi le meilleur algorithme (le plus simple et efficace) pour une implémentation VLSI simple, nous avons défini une architecture analogique efficiente. Enfin les briques de base ont été conçues et réalisées avant l’intégration finale sur une faible surface de silicium et une faible consommation de puissance. Pour vérifier et valider le projet de la puce VLSI avant fabrication, une méthodologie de vérification a été proposée dans cette thèse. Elle nous a également permis de définir le cahier des charges de la puce, ainsi que celui des blocs de base
The artificial neural networks are particularly interesting for CMOS VLSI (Very Large Scale Integration Complementary Metal-Oxide Semiconductor) implementations because every parallel element (neuron or synapsis) is relatively simple, allowing the complete integration of big networks on a single chip). Multipliers, non-linear function and its derivative are essential key elements in the analog signal processing in particular for analog VLSI implementation of artificial neuronal networks. The main conditions of this kind of circuits are the following ones: a low surface of Silicon and a low electric consumption. To validate our approach, we chose as type of application, the classification of cancer cells (malignant or benign) of the breast. There are many types of neural networks: Feed-forward neural network with back propagation (MLP), Radial Basis Network (RBN), Recurrent Neural Network (RNN) and other. The neural network studied in this thesis is based on Multi-Layer Perceptron with back-propagation (MLP).The main objective is to find the best compromises and the optimizations to realize circuits in a mature STMicroelectronics HCMOS9A 130nm technology and supplied with ± 900mV to have the lowest cost. Having chosen the best algorithm (the simplest and most effective) as a simple VLSI implementation, we defined efficient analog architecture. Finally building blocks were designed and realized before the final integration on a low surface of silicon and low power consumption. To verify and validate the project of the VLSI chip before manufacturing, a methodology of check was proposed in this thesis. It also allowed us to define the specifications of the full chip, as well as that of the building blocks

Les travaux de cette thèse apportent une contribution à l'automatisation du flot de conception analogique et mixte, en termes de méthodologies de réutilisation. Des méthodologies de développement et d'exploration de bibliothèque d'IPs (Intellectual Property) analogiques sont développées : définition et caractérisation d'un IP analogiques, création et exploration d'une base de données d'IPs, aide à la réutilisation destinée au concepteur. Le circuit utilisé pour l'application de ces méthodologies est un système neuromimétique c'est-à-dire qu'il reproduit l'activité électrique de neurones biologiques. Ces applications montrent à travers trois exemples, l'efficacité et la souplesse de notre méthodologie de redimensionnement de circuits analogiques CMOS lors d'une migration technologique.

Cette thèse présente un système bioélectronique prometteur, l'Hynet. Ce Réseau Hybride (vivant-artificiel) est conçu pour l'étude du comportement à long terme des cellules électrogénératrices, comme les neurones et les cellules betas, en deux aspects : l'individuel et en réseau. Il est basé sur une boucle fermée et sur la communication en temps réel entre la culture cellulaire et une unité artificielle (Matériel, Logiciel). Le premier Hynet utilise des Matrices d'électrodes (MEA) commerciales qui limitent les performances spatiotemporelles du Hynet. Une nouvelle Matrice d'électrodes intelligente (iMEA) est développée. Ce nouveau circuit intégré, analogique et mixte, fournit une interface à forte densité, à forte échelle et adaptative avec la culture. Le nouveau système améliore le traitement des données en temps réel et une acquisition faible bruit du signal extracellulaire.

Cette thèse présente un système bioélectronique prometteur, l’Hynet. Ce Réseau Hybride (vivant-artificiel) est conçu pour l’étude du comportement à long terme des cellules électrogénératrices, comme les neurones et les cellules betas, en deux aspects : l’individuel et en réseau. Il est basé sur une boucle fermée et sur la communication en temps réel entre la culture cellulaire et une unité artificielle (Matériel, Logiciel). Le premier Hynet utilise des Matrices d’électrodes (MEA) commerciales qui limitent les performances spatiotemporelles du Hynet. Une nouvelle Matrice d’électrodes intelligente (iMEA) est développée. Ce nouveau circuit intégré, analogique et mixte, fournit une interface à forte densité, à forte échelle et adaptative avec la culture. Le nouveau système améliore le traitement des données en temps réel et une acquisition faible bruit du signal extracellulaire
This thesis presents a promising new bioelectronics system, the Hynet. The Hynet is a Hybrid (living-artificial) Network, developed to study the long-term behavior of electrogenic cells (such as Neurons or Beta-cells), both individually and in a network. It is based on real-time closed-loop communication between a cell culture (bioware) and an artificial processing unit (hardware and software). In the first version of our Hynet, we use commercial Multielectrode Arrays (MEA) that limits its spatiotemporal performances. A new Intelligent Multielectrode Array (iMEA) is therefore developed. This new analog/mixed integrated circuit provides a large-scale, high-density, and adaptive interface with the Bioware, which improves the real-time data processing and the low-noise acquisition of the extracellular signal
Esta dissertação de doutorado apresenta um sistema bioeletrônico auspicioso, o Hynet. Esta Rede Híbrida (viva e artificial), é concebida para o estudo do comportamento à longo prazo de células eletrogeneradoras (como neurônios ou células beta), em dois aspectos : individual e em redes. Ele é baseado na comunicação bidirecional, em laço fechado e em tempo real entre uma cultura celular (Bioware) e uma unidade artificial (Hardware ou Software). Um primeiro Hynet é apresentado, mas o uso de Matrizes de Eletrodos (MEA) comerciais limita a performance do sistema. Finalmente, uma nova Matriz de Eletrodos Inteligente (iMEA) é desenvolvida. Este novo circuito integrado fornece uma interface adaptativa, em alta densidade e grande escala, com o Bioware. O novo sistema melhora o processamento de dados em tempo real e a aquisição baixo ruído do sinal extracelular

Les travaux de cette thèse apportent une contribution à l'automatisation du flot de conception analogique et mixte, en termes de méthodologies de réutilisation. Des méthodologies de développement et d'exploration de bibliothèques d'IPs (Intellectual Property) analogiques sont développées : définition et caractérisation d'un IP analogique, création et exploration d'une base de données d'IPs, aide à la réutilisation destinée au concepteur. Le circuit utilisé pour l'application de ces méthodologies est un système neuromimétique c'est-à-dire qu'il reproduit l'activité électrique de neurones biologiques. Ces applications montrent à travers trois exemples, l'efficacité et la souplesse de notre méthodologie. Ces travaux proposent également une méthodologie de redimensionnement de circuits analogiques CMOS lors d'une migration technologique.

BAsCET est un système multi-agents à « blackboard », fondé sur l'émergence de concepts dans un modèle dynamique et inspiré de COPYCAT. Pour éviter un raisonnement déterministe unique limitant sa
créativité il adapte son comportement en fonction de la solution courante. Nous l'avons appliqué à la reconnaissance automatique de la structure logique (des champs) de références bibliographiques dans les articles scientifiques (en format uniquement physique, c'est-à-dire en PostScript). Le modèle, appelé Réseau de Concepts, s'apparentant à la fois aux réseaux sémantiques et aux réseaux de neurones, est construit automatiquement à partir d'une base de références BIBTeX. Le système utilise les co-occurrences entre les termes des références pour rapprocher dans le modèle ceux qui sont conceptuellement voisins. Le principe de l'analogie est utilisé sur les références de la base : quand le système rencontre une référence inconnue, il fait l'analogie avec la partie physique de la base et essaye de proposer une solution correspondante. Les résultats obtenus, bien que modérés (65,5% de reconnaissance), laissent augurer des résultats encore meilleurs, après optimisation du système.