MicroBayes

Contexte scientifique

Le développement des ordinateurs modernes est principalement basé sur l'augmentation des performances et la diminution de la taille et de la consommation d'énergie.     

Cette évolution incrémentale est notable, mais elle n'implique aucune modification notable des principes de base du calcul. En particulier, tous les composants effectuent des opérations déterministes et exactes sur des ensembles de signaux binaires. Ces contraintes empêchent évidemment de réaliser des progrès considérables en termes de vitesse, de miniaturisation et de consommation d'énergie. Comme indiqué ci-dessous, l'objectif du projet MicroBayes était double :

• Étudier une approche radicalement différente pour effectuer des calculs, à savoir le calcul stochastique utilisant des flux de bits stochastiques.
• Montrer que les architectures stochastiques peuvent être plus performantes que les ordinateurs standard pour résoudre des problèmes d'inférence complexes, à la fois en termes de vitesse d'exécution et de consommation d'énergie.

Nous avons évalué les machines stochastiques sur des problèmes difficiles d'inférence bayésienne. De plus, nous avons démontré l'intérêt et la faisabilité de l'informatique stochastique sur deux applications impliquant le traitement d'informations de bas niveau à partir de signaux de capteurs. Ces applications sont la localisation et la séparation de sources sonores, comme indiqué ci-dessous :

Localisation de la source :

Séparation des sources :

Avancées récentes

Pour la localisation de la source, nous avons essayé différentes approches avec et sans l'utilisation de la transformée de Fourier. L'approche utilisant la transformée de Fourier a été présentée dans notre article à l'ICRC 2017.

La méthode de localisation de la source sans transformée de Fourier a donné des résultats encourageants, comme le montre la figure ci-dessous. Nous sommes en mesure de localiser une source dans une pièce (le noir signifie une forte probabilité) :

Des travaux récents sur la séparation des sources ont donné des résultats prometteurs. Nous avons pu séparer des signaux très simples mélangés en utilisant l'algorithme de Gibbs. Dans cet exemple, le signal sinusal a été mélangé à un signal aléatoire. Nous avons pu restaurer le signal sinusoïdal. En bleu le signal original de la source et en vert le signal reconstitué.

Actualités

• 04/2019 : L'atelier IEEE Emerging technology for probabilistic inference que nous avons organisé lors de la conférence INC a été un grand succès avec de nombreuses présentations intéressantes. Nous tenons à remercier une nouvelle fois les orateurs pour les efforts qu'ils ont déployés afin de présenter des exposés d'une telle qualité.   

   

• 01/2019 : Pour commencer cette nouvelle année, nous sommes fiers d'annoncer un atelier que nous organisons en tant qu'événement satellite de la Conférence internationale sur les nanodispositifs et l'informatique (INC) à Grenoble. Il aura lieu l'après-midi du 3 avril 2019 à Minatech à Grenoble. Pour plus d'informations, veuillez visiter : INC Homepage
• 07/2018 : Présentation d'un article à la 2018 IEEE International Conference on Cognitive Informatics and Cognitive Computing (ICCICC), Berkeley CA,
• 06/2018 : Notre doctorant Raphael Frisch a participé au séminaire FadeX et a présenté un poster.
• 06/2018 : Notre doctorant Raphael Frisch a participé au colloque GDR Biocomp et a présenté un poster.
• 11/2017 : Présentation de notre article à l'IEEE International Conference on Rebooting Computing (ICRC) à Washington, DC
• 07/2017 : Notre doctorant Raphael Frisch a participé à l'Université d'été 2017 du PPAML à Arlington, Virginie.

Publications

Nos travaux ont été publiés dans diverses conférences :

• 2018 ICCICC : R. Frisch, M. Faix, E. Mazer, L. Fesquet, A. Lux, « A cognitive stochastic machine based on Bayesian inference : a behavioral analysis, » 2018 IEEE International Conference on Cognitive Informatics and Cognitive Computing (ICCICC), Berkeley CA, 2018.
• 2017 ICRC : R. Frisch, R. Laurent, M. Faix, L. Girin, L. Fesquet, A. Lux, J. Droulez, P. Bessière, E. Mazer, « A Bayesian Stochastic Machine for Sound Source Localization, » 2017 IEEE International Conference on Rebooting Computing (ICRC), Washington, DC, 2017, pp. 1-8.
• 2017 IOLTS : G. Gimenez, A. Cherkaoui, R. Frisch et L. Fesquet, « Self-timed Ring based True Random Number Generator : Threat model and countermeasures, » 2017 IEEE 2nd International Verification and Security Workshop (IVSW), Thessaloniki, 2017, pp. 31-38.

Membres

• Emmanuel Mazer (DR CNRS LIG)
• Laurent Girin (Prof. Grenoble-INP GIPSA-lab)
• Laurent Fesquet (MCF Grenoble-INP TIMA)
• Didier Piau (Prof. UGA Institut Fourier)
• Raphael Frisch (doctorant avec une bourse de Persyval Lab)
• Marvin Faix (Post-Doc avec une bourse de Persyval Lab)