Les récentes percées dans l'IA sont corrélées à la charge énergétique nécessaire à la définition et à l'exécution de ces modèles. Les GPUs sont le matériel préféré pour ces implémentations, car ils peuvent effectuer des multiplications matricielles configurables et hautement parallélisées à base de circuits digitales. Toutefois, pour surmonter les limites énergétiques des GPUs, il peut être nécessaire d'abandonner complètement le paradigme digital.

Une solution élégante pourrait consister à exploiter la physique intrinsèque des dispositifs électroniques de manière analogique. Par exemple, des travaux préliminaires ont déjà proposé comment l'entropie physique des dispositifs silicium peut exécuter des algorithmes d'apprentissage probabilistes, comment la relaxation de la tension dans les réseaux résistifs peut approximer les gradients, et comment l'activité des oscillateurs interconnectés peut converger vers des minimas sur les surfaces d'énergie.

L'objectif de cette thèse sera d'étudier les primitives de calcul existantes et d'en proposer de nouvelles. De plus, comme les GPU biaisent les méthodes d'IA actuelles en les basant sur la multiplication matricielle, le candidat devra également étudier l'impact de ces nouvelles primitives sur les futurs algorithmes d'IA. Une attention particulière sera portée aux technologies émergentes de nanodispositifs développées au CEA Grenoble. En fonction des intérêts du doctorant, il sera possible de concevoir, tape-out et de tester des concepts de circuits en s'appuyant sur ces technologies innovantes.