La demande croissante pour une intelligence artificielle économe en énergie et en temps réel repousse les limites des architectures informatiques traditionnelles. En réponse à ce besoin, le calcul neuromorphique — inspiré par la structure et le fonctionnement du cerveau humain — s’impose comme un paradigme alternatif prometteur. Au cœur de cette approche se trouvent les réseaux de neurones impulsionnels (Spiking Neural Networks, ou SNNs), qui traitent l’information sous forme d’événements discrets, ouvrant la voie à un calcul asynchrone et à faible consommation, particulièrement adapté aux dispositifs embarqués, aux systèmes autonomes et aux applications sensorielles.
Cette thèse explore les principaux défis associés à la transition des SNNs depuis des modèles théoriques vers des systèmes matériels pratiques et déployables. Contrairement aux modèles d’IA conventionnels, les SNNs fonctionnent avec une dynamique temporelle et selon une architecture non von Neumann, ce qui nécessite des approches fondamentalement différentes en matière de conception, de test et de sécurité des systèmes. Le travail est structuré autour de trois contributions principales :