- Introduction à l'informatique neuromorphique
Aperçu de l'informatique neuromorphique
Comparaison avec les architectures informatiques traditionnelles
Caractéristiques clés des systèmes neuromorphiques
- Inspiration biologique et architecture cérébrale
Comprendre les neurones et les synapses
Modèles de réseaux neuronaux et réseaux de neurones à impulsions (SNN)
Plasticité synaptique et mécanismes d'apprentissage
- Réseaux de neurones à impulsions (SNN)
Fondamentaux des modèles à impulsions
Codage et décodage des séquences de pointes
Avantages des SNN dans les applications d'IA
- Matériel neuromorphique
Aperçu des processeurs et puces neuromorphiques
Études de cas : IBM TrueNorth, Intel Loihi, SpiNNaker
Efficacité énergétique et mesures de performance
- Edge computing et solutions neuromorphiques
Introduction à l'IA de périphérie
Avantages de l'informatique neuromorphique à la périphérie
Cas d'utilisation : traitement en temps réel, capteurs, IoT
- Applications industrielles de l'informatique neuromorphique
Automobile : conduite autonome et robotique
Santé : interfaces cerveau-ordinateur et prothèses
Électronique grand public : appareils intelligents et wearables
- Défis et orientations futures
Limitations actuelles et défis de recherche
Développements prospectifs et innovations
Intégration avec l'apprentissage profond et les modèles d'IA
- Aperçus pratiques et projets pratiques
Mise en œuvre de modèles SNN simples
Utilisation d'outils et simulateurs de matériel neuromorphique
Projet de cas : concevoir une application de périphérie neuromorphique
- Conclusion du cours
Résumé des apprentissages clés
Tendances futures en informatique neuromorphique
Ressources supplémentaires et lectures complémentaires
