Avec l'essor de l'Intelligence Artificielle et du Calcul Haute Performance, dont les besoins en puissance de calcul ne cessent d'augmenter, la conception d'architectures matérielles de calcul de plus en plus performantes devient centrale. La complexification de ces architectures telles que les ASICs ou encore les accélérateurs IA induit une difficulté croissante dans leurs conceptions. Avant l'étape de production effective des semiconducteurs dans les fonderies, les architectes doivent simuler leurs propositions de conception d'architecture dans des simulateurs afin d'évaluer leurs performances. Le but principal pour les architectes est alors d'identifier les bons paramètres de conception tels que le nombre de cœurs, la taille mémoire des caches ou encore la configuration du réseau sur puce qui mènent aux meilleurs compromis en terme de performance globale entre la puissance de calcul, la consommation énergétique, et la miniaturisation de l'architecture étudiée. Chaque évaluation de ces métriques nécessite une ou plusieurs simulations. Etant donnée l'explosion combinatoire de l'espace de décision des paramètres de conception et le caractère chronophage des simulations, toute la difficulté pour les architectes résident sur la manière d'explorer l'espace de décision le plus efficacement possible en arrivant à exhiber les meilleurs configurations d'architecture tout en minimisant le nombre de simulations sans avoir accès aux formulations analytiques des fonctions objectifs. Ce défi correspond dans la littérature au problème de l'exploration de l'espace de conception. Dans cette thèse, nous nous intéressons à l'automatisation de l'exploration de l'espace de conception à travers l'utilisation des algorithmes d'optimisation issus de la Recherche Opérationnelle ou de l'Apprentissage Automatique. Les principaux contributions de cette thèse sont la proposition et l'implémentation de deux algorithmes d'exploration de l'espace de conception basés sur l'Optimisation Bayésienne Multi-objectif dans le cadre d'un problème d'optimisation de conception de l'architecture ARM Neoverse V1 pour le Calcul Haute Performance. La première contribution de cette thèse est un algorithme basé pour l'Optimisation Bayésienne avec un arbre aléatoire comme modèle de substitution. Le but de cette première implémentation d'algorithme d'exploration est de surpasser la performance des précédents travaux effectués par le laboratoire. La deuxième contribution est au cœur de cette thèse et consiste à proposer un algorithme d'Optimisation Bayésienne avancé pour l'exploration automatisée de l'espace de conception capable de rivaliser ses pairs issus de l'état de l'art. Pour y arriver, nous nous inspirons des résultats et conclusions issus de la compétition d'optimisation de boîte noire de NeurIPS 2020. Nous proposons un nouveau algorithme d'exploration nommé SEBO pour Stage-Enhanced Bayesian Optimization en optimisant les principaux sous-étapes d'optimisation de l'Optimisation Bayésienne. Ces optimisations consistent en une initialisation intelligente basée sur un plan d'expériences optimisé pour un modèle de substitution non biaisé, un choix de modèle de substitution localisé, ensembliste, précis et scalable dans ces prédictions, et une fonction d'acquisition parallèle basée sur l'hypervolume pour une exploration multi-objectif accélérée. SEBO a été implémenté pour notre problème de conception d'architecture matérielle de calcul et a démontré sa capacité à exhiber un front de Pareto qualitative et diversifié contre ses pairs pour un temps d'exploration raisonnable, faisant de lui une méthode d'exploration automatisée de l'espace de conception à l'état de l'art.