Les réseaux de neurones sont de plus en plus utilisés pour les applications de reconnaissance d'images de sons ou de tout autre signal issu d'un capteur ou d'un ensemble de capteurs, afin de doter les machines de capacités d'interprétation. On en trouve par exemple dans les produits embarqués que propose GlobalSensing Technologies (GST), basés sur l'intelligence artificielle. Dans des domaines aussi variés que l'agro-alimentaire, la vidéo-surveillance ou l'industrie, ces produits sont capables de reconnaître des situations et des contextes et d'agir en conséquence.

Dans le cadre d'un laboratoire commun avec la start-up, les chercheurs du List ont développé un processeur dont l'architecture est optimisée pour l'exécution rapide de ces réseaux de neurones. « Partant du constat que sur ce type d'outil, les calculs à réaliser sont simples mais particulièrement nombreux, nous avons conçu une architecture composée d'unités de calcul les plus petites et les plus efficaces possible. »
Ils ont également porté une attention toute particulière à l'acheminement des données jusqu'à ces unités de calcul. L'architecture ainsi obtenue a été testée sur un FPGA, composant constitué d'un ensemble de portes logiques reconfigurable, qui permet de prototyper rapidement un système complet.

Les résultats sont plus que prometteurs, avec un excellent taux de reconnaissance (96%) pour un réseau de neurones qui reste très simple, ce qui permet d'estimer un gain par rapport à la concurrence de 60% en efficacité énergétique en cas de portage de cette application sur un composant dédié en FDSOI*.
Protégée par plusieurs brevets, cette nouvelle architecture est optimisée en taille et en consommation énergétique afin de permettre à GlobalSensing Technologies de l'intégrer dans sa future gamme de produits intelligents embarqués, et d'obtenir ainsi un avantage concurrentiel fort sur ce marché en pleine expansion.