Les réseaux de neurones bayésiens permettent à l'intelligence artificielle de prendre en compte l'incertitude de ses prédictions, mais leur apprentissage nécessite de nombreux calculs. Les mémoires résistives (ReRAM), capables de stocker des données et de réaliser des calculs directement au sein de circuits électroniques, offrent une solution prometteuse pour réduire ce coût.

Cette thèse propose de développer une nouvelle méthode d'apprentissage bayésien sur ReRAM, fondée sur l'échantillonnage de Langevin. Cette approche permet d'explorer efficacement les paramètres d'un réseau de neurones en combinant des perturbations aléatoires et une estimation du gradient. L'objectif est d'exploiter les fluctuations physiques naturelles des ReRAM pour estimer ce gradient sans utiliser l'algorithme classique de rétropropagation. La possibilité de réutiliser les tentatives d'écriture des mémoires sera également étudiée afin de limiter la consommation d'énergie et l'usure des dispositifs.

Le travail combinera développement d'algorithmes, simulations et expérimentations sur des circuits ReRAM existants au CEA-Leti. Les résultats attendus sont la démonstration d'un apprentissage bayésien sur matériel réel, ainsi qu'une évaluation de ses performances, de sa précision et de son efficacité énergétique par rapport aux méthodes existantes.