Towards compact, low energy and with adjustable accuracy Bayesian computers

L'intelligence artificielle (IA) révolutionne déjà nos habitudes à travers des technologies permettant l'analyse, le filtrage et la classification d’une grande quantité de données qui ne peuvent être traitées par des algorithmes classiques de par leur complexité et leur incomplétude. Ainsi, il existe aujourd'hui une forte demande pour le matériel dédié à l'IA alors que les objets capables de capter, traiter et distribuer l'information sont de plus en plus contraints en énergie et que la puissance de calcul requise ne fait qu'augmenter. Dans ce contexte, l'approche Bayésienne semble une piste particulièrement intéressante pour réaliser des tâches de fusion d'information de manière explicable, avec peu de données et à faible coût énergétique. De plus, en réduisant les multiplications à une simple porte ET logique, l'arithmétique stochastique permet de réduire significativement la taille des opérateurs (et donc les coûts de fabrication) ainsi que leur consommation ce qui la rend particulièrement adaptée aux calcul d'inférences Bayésiennes. De premiers résultats montrent l'efficacité énergétique de cette approche stochastique lorsque la taille du problème à traiter est réduite et lorsque la précision requise est faible.Dans cette thèse nous proposons des solutions permettant d’adresser les principaux goulots d’étranglement lorsque la taille du problème augmente : l'espace mémoire nécessaire pour le stockage des distributions de probabilité, le coût en surface, et en puissance consommée pour générer les nombres aléatoires et le temps de calcul élevé dû à la logique stochastique, réduisant les performances énergétiques du système.Par rapport à l’état de l’art, ces contributions permettent de diviser jusqu’à 2 fois la surface et jusqu’à 30 fois la consommation énergétique, tout en divisant jusqu’à 8 fois le temps de calcul.Artificial intelligence (AI) is already revolutionizing our habits through technologies allowing the analysis, filtering and classification of a large amount of data that cannot be processed by classical algorithms due to their complexity and incompleteness. Thus, there is today a strong demand for hardware dedicated to AI while the objects capable of capturing, processing and distributing information are more and more constrained in energy and the required computing power is increasing. In this context, the Bayesian approach seems to be a particularly interesting way to perform information fusion tasks in an explainable way, with little data and low energy cost. Moreover, by reducing multiplications to a simple logical AND gate, stochastic arithmetic allows to significantly reduce the size of the operators (and thus the manufacturing costs) as well as their power consumption, which makes it particularly adapted to Bayesian inference computations. First results show the energy efficiency of this stochastic approach when the size of the problem to be treated is reduced and when the required accuracy is low.In this thesis we propose solutions to address the main bottlenecks when the problem size increases: the memory space required to store the probability distributions, the cost in area and power consumed to generate the stochastic numbers and the high computation time due to the stochastic logic, reducing the energy performance of the system.Compared to the state of the art, these contributions allow to divide up to 2 times the area and up to 30 times the power consumption, while dividing up to 8 times the computation time