De nombreux systèmes critiques pour la sécurité intègrent désormais des fonctions d’intelligence artificielle devant opérer avec une consommation énergétique minimale et sous fortes incertitudes, notamment en contexte de données limitées. Or, les approches déterministes classiques de l’IA ne fournissent qu’une estimation ponctuelle des prédictions, sans quantification rigoureuse de la confiance, ce qui limite leur fiabilité en conditions réelles.

Cette thèse s’inscrit dans le domaine émergent de l’électronique bayésienne, où l’objectif est d’implémenter l’inférence probabiliste directement au niveau matériel, en exploitant la variabilité intrinsèque de nanodispositifs pour représenter et manipuler des distributions de probabilité. Si des mémristors ont déjà été utilisés pour réaliser des opérations d’inférence bayésienne, leurs contraintes en endurance et en énergie de programmation constituent un verrou majeur pour l’apprentissage embarqué.

L’objectif de cette thèse est d’explorer l’utilisation de transistors ferroélectriques à effet de champ (FeMFETs) comme briques élémentaires de réseaux de neurones bayésiens sur puce. Il s’agira de caractériser et modéliser l’aléa ferroélectrique exploitable pour l’échantillonnage et la mise à jour probabiliste, de développer des architectures de neurones et synapses bayésiens basées sur ces dispositifs, puis d’évaluer expérimentalement et au niveau système leur robustesse, leur efficacité énergétique et leur pertinence pour des applications critiques.