La résolution automatisée des tâches cognitives repose principalement sur des algorithmes d'apprentissage appliqués aux réseaux neuronaux qui, lorsqu'ils sont exécutés sur des architectures numériques CMOS standard, entraînent une consommation d'énergie supérieure de plusieurs ordres de grandeur à celle dont le cerveau aurait besoin. En outre, les solutions conventionnelles de réseaux neuronaux Edge ne peuvent fournir que des prédictions de sortie et ne sont pas en mesure de transmettre avec précision l'incertitude des prédictions en raison de leurs paramètres déterministes et des activations des neurones, ce qui donne lieu à des prédictions trop sûres. Pouvoir modéliser et calculer l'incertitude d'une prédiction donnée permet à l'utilisateur de prendre de meilleures décisions (par exemple, dans les processus de classification ou de prise de décision) qui peuvent donc être expliquées, ce qui est crucial dans une variété d'applications, telles que les tâches critiques pour la sécurité (par exemple, les véhicules autonomes, le diagnostic et le traitement médicaux, la robotique industrielle et les systèmes financiers). Le réseau neuronal probabiliste est une solution possible pour traiter la prédiction de l'incertitude. En outre, la consommation d'énergie peut être considérablement réduite en utilisant des systèmes informatiques matériels dont les architectures s'inspirent de modèles biologiques ou physiques. Ils sont principalement basés sur des nanodispositifs imitant les propriétés des neurones telles que l'émission de pointes stochastiques ou synchrones. De nombreuses propositions théoriques ont montré que les dispositifs spintroniques nanométriques (MTJ) sont particulièrement bien adaptés. Ils peuvent être utilisés comme composants stochastiques ou déterministes.