BEP
L’électronique pour le calcul
Faits marquants
Elisa Vianello et Damien Querlioz nous expliquent leur découverte - nature - novembre 2025
Bayesian electronics for trustworthy artificial intelligence
Artificial intelligence (AI) increasingly powers safety-critical systems that demand robust, energy-efficient computation, often under conditions of data scarcity and uncertainty. Traditional AI approaches are limited in their ability to quantify confidence, leaving them vulnerable to unreliable predictions. In this Perspective, we introduce Bayesian electronics, which harnesses the intrinsic randomness of emerging nanodevices for on-device Bayesian computations. By encoding probability distributions at the hardware level, these devices naturally estimate uncertainty and reduce overhead compared with purely deterministic designs. We examine how Bayesian networks and Bayesian neural networks can be implemented in this framework to enhance sensor fusion and out-of-distribution detection. We also describe how hardware training via Markov chain Monte Carlo or Langevin dynamics yields energy-frugal sampling-based learning. Finally, we draw parallels with biological systems that are hypothesized to similarly exploit noise for probabilistic computation. By integrating device engineering, algorithmic design and system-level optimization, Bayesian electronics offers a path towards more trustworthy and adaptive AI hardware.
Parution dans nature electronics septembre 2025 : Une mémoire qui combine les fonctions des memristors et des condensateurs ferroélectriques pour l'apprentissage et l'inférence
Crédit photo : communication du CEA-Leti
Développer des systèmes d’intelligence artificielle capables nécessite à la fois une inférence et un apprentissage économes en énergie. Cependant, la technologie de mémoire actuelle ne peut pas fournir la combinaison nécessaire de haute endurance, faible énergie de programmation et processus de lecture non destructifs. Les auteurs et acteurs du projet BEP du PEPR Electronique, Elisa Vianello et Damien Querlioz présentent dans cet article https://www.nature.com/articles/s41928-025-01454-7 une technologie mémoire qui combine les fonctions des memristors et des condensateurs ferroélectriques dans un seul empilement. (Notons que les memristors sont idéaux pour l’inférence, mais leur endurance est limitée et leur énergie de programmation élevée ; les condensateurs ferroélectriques sont idéaux pour l’apprentissage, mais leur processus de lecture destructif les rend inadaptés à l’inférence).
Cette mémoire utilise une couche d’oxyde d’hafnium dopé silicium et une couche de titane intégrées après la réalisation des transistors CMOS classiques. Avec cette approche, une matrice hybride de 18 432 dispositifs (composé de 16 384 condensateurs ferroélectriques et de 2 048 memristors) a été réalisée. Chaque poids est associé à une valeur analogique stockée sous forme de niveaux de conductance dans les memristors et à une valeur cachée de haute précision stockée sous forme d’entier dans les condensateurs ferroélectriques. Les transferts de poids entre les différentes technologies de mémoire s’effectuent sans convertisseur numérique-analogique. La matrice est utilisée pour valider une solution d’apprentissage sur puce qui offre des performances comparables à celles des modèles logiciels à précision flottante.
Parution dans l'Usine Nouvelle - Novembre 2023 : La puce neuromorphique du CEA-Leti et du C2N détecte les anomalies cardiaques et évalue l’incertitude sur les résultats
Le CEA-Leti et le Centre de nanosciences et de nanotechnologies ont conçu une puce neuromorphique embarquant une IA bayésienne, capable de détecter et de classifier des anomalies cardiaques. Le système tire parti de la variabilité intrinsèque de mémoires résistives pour quantifier l’incertitude des résultats. Une première qui a fait l’objet d’une publication dans Nature Communications fin novembre 2023.
Le projet
Pilotes scientifiques : Damien Querlioz, Daniel Brunner– CNRS & Elisa Vianello – CEA
Établissement coordinateur : CNRS
Défi
Créer de nouvelles filières technologiques pour réduire considérablement la consommation en énergie de l’électronique de calcul
Titre complet du projet
BioElectronPhoton
Objectif
Développer des architectures de processeurs bio-inspirés, comme peut l’être le cerveau, en combinant électrons et lumière pour des connexions 3D ultra-denses et reconfigurables à faible consommation énergétique
Secteurs
CALCUL EMBARQUÉ
EDGE
Aperçu
Le projet BioElectronPhoton vise à réduire considérablement la consommation énergétique de l’électronique pour le calcul. Il s’inspire pour cela du cerveau qui connecte de façon dense, tridimensionnelle et reconfigurable les unités de calcul que sont les neurones. Notre stratégie consiste à combiner l’électricité, ultra-reconfigurable, et la lumière, qui permet des connexions 3D ultra-denses pour imiter l’architecture économe en énergie du cerveau. Les filières nationales de calcul bio-inspiré hybride électronique/photonique que nous allons développer pour atteindre notre objectif seront complémentées par des technologies mémoires imitant les synapses, que nous allons optimiser afin que les circuits développés puissent apprendre comme le fait le cerveau, avec des taux de reconnaissance élevés. Enfin, nous réaliserons des nano-neurones interconnectés capables de calculs extrêmement complexes avec peu de composants. Toutes les différentes briques (photoniques, mémoires pour l’apprentissage, nano-neurones) seront intégrées dans des plateformes CMOS pour réaliser des calculs bio-inspirés avec une consommation énergétique ultra basse. Elles donneront les fondations pour une plateforme cognitive capable d’intégrer l’ensemble des stratégies du cerveau permettant de calculer et économiser de l’énergie en combinant lumière, électronique, mémoires reconfigurables et dynamique neurale.
Laboratoires du consortium
