Primitive Neural Networks (PrNN) : a biomimetic paradigm for ultra-low-power embedded AI
Les primitive Neural Networks (PrNN) : un paradigme biomimétique pour l'IA embarquée à ultra basse consommation
Résumé
Artificial intelligence (AI) has made remarkable progress in recent years, often surpassing human performance on specific tasks. Yet a critical gap remains: energy consumption. Comparing the operational cost of artificial neural networks with the synaptic cost of the biological brain reveals that human intelligence is, on average, 10 000 times more energy-efficient than its artificial counterpart.Beyond the environmental implications, this disparity is a major obstacle to fully autonomous systems. This thesis therefore aims to design a new AI architecture for passive recognition under ultra-low-power constraints. We focus on acoustic recognition, with an application to automated bird monitoring in forests to estimate the size and spatial distribution of target populations across defined geographic areas.We begin by analyzing in detail the biological mechanisms underlying sound recognition and contrasting them with conventional AI architectures. Based on this analysis, we propose a new architecture : the Primitive Neural Networks (PrNN), a patented approach that leverages low-power biological processes through analog primitives and a dynamic noise-adaptation mechanism. PrNN is inspired by the mammalian cochlea, and its learning draws on biological principles of co-evolution between sensory organs and neural circuits.We further introduce an evaluation framework that assesses system performance jointly by accuracy and energy consumption. The resulting metric, the Performance–Power Index (PPI), serves as the optimization objective at the algorithmic level.Experimental results demonstrate that PrNNs achieve a three-order-of-magnitude reduction in energy consumption compared to conventional approaches, even in the absence of an application-specific integrated circuit (ASIC). These results open the door to a new generation of intelligent systems capable of operating autonomously and sustainably.Beyond the applications presented here, this work illustrates how biological inspiration can help reimagine the foundations of artificial intelligence, bringing machine performance closer to human-level efficiency.
Le domaine de l’intelligence artificielle (IA) a connu des avancées spectaculaires ces dernières années, allant jusqu’à surpasser l’humain dans certaines tâches. Toutefois, une différence majeure demeure : la consommation énergétique. En comparant le coût opérationnel des réseaux de neurones artificiels au coût synaptique du cerveau biologique, on constate que l’intelligence humaine est en moyenne 10 000 fois plus efficiente que son équivalent artificiel. Au-delà des implications environnementales évidentes que soulève cette disparité, celle-ci constitue également un frein majeur au développement de systèmes autonomes. Dans ce contexte, l’objectif scientifique de cette thèse est de concevoir une nouvelle architecture d’IA permettant des tâches de reconnaissance passive sous la contrainte d’ultra-basse consommation énergétique. Plus particulièrement, nous nous concentrons sur la problématique de la reconnaissance acoustique, avec pour cas d’application la surveillance automatique d’oiseaux en milieu forestier, en vue d’estimer la taille et la répartition de certaines populations au sein d’une zone géographique donnée. Dans une première étude, nous analysons en détail les mécanismes biologiques impliqués dans la reconnaissance sonore et les mettons en perspective avec les architectures classiques d’IA. Cette analyse nous conduit à la proposition d’une nouvelle architecture : les Primitive Neural Networks (PrNNs), une invention brevetée qui tire avantage des processus faiblement énergivores du monde biologique en utilisant des primitives analogiques et un mécanisme d’adaptation dynamique au bruit. Son fonctionnement est bio-inspiré par la cochlée des mammifères et son mécanisme d’apprentissage repose principalement sur des principes biologiques de co-évolution entre les organes sensoriels et les structures neuronales.Cette contribution s’accompagne de l’introduction d’un nouveau cadre d’évaluation dans lequel la performance d’un système ne se mesure plus uniquement en termes de précision, mais également en fonction de l’énergie consommée. Cette métrique est formalisée sous l’appellation de Performance-Power Index (PPI) et sert d’objectif d’optimisation sur le plan algorithmique.Les expériences menées démontrent que les PrNNs atteignent une efficacité similaire à celle des approches classiques, tout en réduisant la consommation énergétique d’un facteur 1 000, et ce, sans recours à une implémentation ASIC (application-specific integrated circuit). Ces résultats ouvrent la voie à une nouvelle génération de systèmes intelligents capables d’opérer de manière autonome et durable. Au-delà des applications présentées, ce travail illustre comment l’inspiration biologique peut contribuer à réinventer les fondations de l’intelligence artificielle, en rapprochant ses performances de l’efficacité de l’être humain.
| Origine | Version validée par le jury (STAR) |
|---|---|
| licence |


