Étude de scalabilité de l’Optimisation Bayésienne pour systèmes de neurostimulations embarqués

L’un des défis les plus actuels des agents d’apprentissages autonomes (ou I.A.) appliqués aux outils médicaux est la capacité de les appliquer pour des systèmes embarqués sur appareils de petite taille, portables ou même directement embarqués dans le corps humain. En interface neuronales, le développement de compagnies comme Neuralink consiste principalement dans la miniaturisation de leurs circuits et, conséquemment, d’embarquer algorithmes de processing du signal et de décision hautement performants, à faible usage de ressource.
Pour le cadre algorithmique de l’Optimisation Bayesienne basé sur des Processus Gaussiens (GPBO), il n’est cependant pas établi quelles sont les lois de mise à l’échelle en systèmes embarqués, ni comme des améliorations algorithmiques peuvent améliorer son applicabilité à des cas à ressources très limités.

Nous proposons d’adapter le cadre algorithmique GPBO à n’importe quelle disponibilité de ressource physique en termes de mémoire et capacité computationnelle, à travers :
1) le sous-échantillonnage adaptif de l’espace de recherche, pour l’adapter aux ressources disponibles,
2) la compression et taille de l’information accumulée, pour gérer l’optimisation continue sur n’importe quel horizon temporel.

Faculty Supervisor:

Marco Bonizzato

Student:

Partner:

Institut Polytechnique de Paris

Discipline:

Engineering

Sector:

Education

University:

Polytechnique Montréal

Program: