Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Depuis quelques années on assiste au développement de nouveaux bio-catalyseurs qui sont des hybrides combinant les avantages de la catalyse organométallique (système robustes, efficaces, mais couteux) à ceux de la catalyse enzymatique (écologique, spécifique mais peu flexible). Parmi les différentes stratégies mises en œuvre pour créer des enzymes artificielles, aucune d'elles n'a jusqu'à présent véritablement envisagé d'utiliser l'activité d'une enzyme et de la combiner à celle d'un composé organique. C'est la nouvelle approche proposée dans ce travail pour tenter d'orienter l'activité catalytique d'une oxydase à fort potentiel industriel, la laccase. Les produits d'oxydation de la laccase sont des radicaux phénoxyls qui se recombinent dans le milieu sans contrôle de l'enzyme. Chez certaines plantes, des petites protéines nommées « dirigent proteins » interagissent avec les radicaux phénoxyls pour conduire à la formation d'un seul produit optiquement pur. Dans ce travail, nous avons tenté de mimer ces « dirigent proteins » en greffant une molécule cage de type cyclodextrine à proximité du site actif de la laccase. Dans un premier temps, nous avons réalisé la synthèse de modules organiques dits « plateformes » possédants a) un point d'attachement à l'enzyme, b) un groupement pour la purification des protéines fonctionnalisées et c) une cyclodextrine qui permet d'encapsuler un grand nombre de molécules organiques. Par des mesures de fluorescences et d'immuno-détection, nous avons identifié les conditions optimales de fonctionnalisation pour la laccase et ainsi validé sa dérivatisation. / In recent years we are witnessing the development of new bio-catalysts which are hybrids combining the advantages of organometallic catalysis (robust and efficient system, but expensive) to those of enzymatic catalysis (ecological, specific but not very flexible). Among the various strategies used to create artificial enzymes, none of them has yet seriously considered to combine an enzyme activity with that of an organic compound. This is the new approach proposed in this work to try to orient the catalytic activity of the laccase, an oxidase with an industrial potential. The oxidation products of the laccase are phénoxy radicals which recombine in the medium regardless of the activity of the enzyme. In some plants, small proteins called "dirigent proteins" interact with phénoxy radicals leading to the formation of a single optically pure product. In this work, we tried to mimic the "dirigent proteins" by grafting a cyclodextrin-cage molecule near the active site of the laccase. As a first step, we performed the synthesis of organic modules called "platforms" with a) an anchor point to the enzyme, b) a group for functionalized protein purification c) a cyclodextrin that encapsulates a large number of organic molecules. By fluorescence and immunodetection measurements, we identified the optimal conditions for laccase functionalization and thus validated its derivatization. Monitoring the oxidation of coniferyl alcohol by the functionalized laccase with a cyclodextrined platform highlights a change in the kinetic profiles of the substrate and products. This difference appears due to the location of the cyclodextrin near the substrate oxidation site.

Les réseaux de neurones multicouches ont été proposés pour la première fois il y a plus de trois décennies, et diverses architectures et paramétrages ont été explorés depuis. Récemment, les unités de traitement graphique ont permis une formation très efficace sur les réseaux neuronaux et ont permis de former des réseaux beaucoup plus grands sur des ensembles de données plus importants, ce qui a considérablement amélioré le rendement dans diverses tâches d'apprentissage supervisé. Cependant, la généralisation est encore loin du niveau humain, et il est difficile de comprendre sur quoi sont basées les décisions prises. Pour améliorer la généralisation et la compréhension, nous réexaminons les problèmes de paramétrage du poids dans les réseaux neuronaux profonds. Nous identifions les problèmes les plus importants, à notre avis, dans les architectures modernes : la profondeur du réseau, l'efficacité des paramètres et l'apprentissage de tâches multiples en même temps, et nous essayons de les aborder dans cette thèse. Nous commençons par l'un des problèmes fondamentaux de la vision par ordinateur, le patch matching, et proposons d'utiliser des réseaux neuronaux convolutifs de différentes architectures pour le résoudre, au lieu de descripteurs manuels. Ensuite, nous abordons la tâche de détection d'objets, où un réseau devrait apprendre simultanément à prédire à la fois la classe de l'objet et l'emplacement. Dans les deux tâches, nous constatons que le nombre de paramètres dans le réseau est le principal facteur déterminant sa performance, et nous explorons ce phénomène dans les réseaux résiduels. Nos résultats montrent que leur motivation initiale, la formation de réseaux plus profonds pour de meilleures représentations, ne tient pas entièrement, et des réseaux plus larges avec moins de couches peuvent être aussi efficaces que des réseaux plus profonds avec le même nombre de paramètres. Dans l'ensemble, nous présentons une étude approfondie sur les architectures et les paramétrages de poids, ainsi que sur les moyens de transférer les connaissances entre elles / Multilayer neural networks were first proposed more than three decades ago, and various architectures and parameterizations were explored since. Recently, graphics processing units enabled very efficient neural network training, and allowed training much larger networks on larger datasets, dramatically improving performance on various supervised learning tasks. However, the generalization is still far from human level, and it is difficult to understand on what the decisions made are based. To improve on generalization and understanding we revisit the problems of weight parameterizations in deep neural networks. We identify the most important, to our mind, problems in modern architectures: network depth, parameter efficiency, and learning multiple tasks at the same time, and try to address them in this thesis. We start with one of the core problems of computer vision, patch matching, and propose to use convolutional neural networks of various architectures to solve it, instead of manual hand-crafting descriptors. Then, we address the task of object detection, where a network should simultaneously learn to both predict class of the object and the location. In both tasks we find that the number of parameters in the network is the major factor determining it's performance, and explore this phenomena in residual networks. Our findings show that their original motivation, training deeper networks for better representations, does not fully hold, and wider networks with less layers can be as effective as deeper with the same number of parameters. Overall, we present an extensive study on architectures and weight parameterizations, and ways of transferring knowledge between them

Actuellement, les technologies du traitement d'information ont atteint leurs limites et il devient donc urgent de proposer de nouveaux paradigmes capables de réduire la consommation d'énergie tout en augmentant la capacité de calcul des ordinateurs. Le cerveau humain est un fascinant et puissant organe, avec ses 300 milliards de cellule, il est capable d’effectuer des taches cognitives en consommant 20W. Dans ce contexte nous avons investiguer un nouveau paradigme appelé "neuromorphic computing" ou le traitement bio-inspiré de l'information.L'objectif de cette thèse est de concevoir et de fabriquer un neurone artificiel a très faible consommation utilisant les récentes avancées scientifiques dans les neurosciences et les nanotechnologies. Premièrement, on a investigué le fonctionnement d'un neurone vivant, sa membrane neuronale et nous avons exploré 3 différents modèles de membranes connues sous le nom de Hodgkin Huxley, Wei et Morris Lecar. Deuxièmement, en se basant sur le modèle de Morris Lecar, nous avons réalisé des neurones artificiels analogiques à spike avec différentes constantes de temps. Puis ils ont été fabriqués avec la technologie 65nm CMOS. Par la suite, nous les avons caractérisés et obtenu des performances dépassant l’état de l’art en terme de surface occupée, puissance dissipée et efficacité énergétique. Finalement, on a analysé et comparé le bruit dans ces neurones artificiels avec le bruit dans des neurones biologiques et on a démontré expérimentalement le phénomène de résonance stochastique. Ces neurones artificiels peuvent être extrêmement utiles pour une large variété d’application allant du traitement de données à l’application médicale. / Current computing technology has now reached its limits and it becomes thus urgent to propose new paradigms for information processing capable of reducing the energy consumption while improving the computing performances. Moreover, the human brain, is a fascinating and powerful organ with remarkable performances in areas as varied as learning, creativity, fault tolerance. Furthermore, with its total 300 billion cells, is able to perform complex cognitive tasks by consuming only around 20W. In this context, we investigated a new paradigm called neuromorphic or bio-inspired information processing.More precisely, the purpose of this thesis was to design and fabricate an ultra-low power artificial neuron using recent advances in neuroscience and nanotechnology. First, we investigated the functionalities of living neurons, their neuronal membrane and explored different membrane models known as Hodgkin Huxley, Wei and Morris Lecar models. Second, based on the Morris Lecar model, we designed analog spiking artificial neurons with different time constants and these neurons were fabricated using 65nm CMOS technology. Then we characterized these artificial neurons and obtained state of the art performances in terms of area, dissipated power and energy efficiency. Finally we investigated the noise within these artificial neurons, compared it with the biological sources of noise in a living neuron and experimentally demonstrated the stochastic resonance phenomenon. These artificial neurons can be extremely useful for a large variety of applications, ranging from data analysis (image and video processing) to medical aspect (neuronal implants).

Ce travail concerne la modélisation et l'optimisation des procédés de mise en forme par les Réseaux de Neurones Artificiels. Etant donnée que les méthodes classiques sont très coûteuses en temps de calcul et divergentes pour des problèmes présentant beaucoup des paramètres à contrôler, notre contribution consiste à développer une méthode de modélisation et d'optimisation plus rapide et efficace. Nous avons fait appel à une étude paramétrique pour coupler un programme basé sur la technique des RNA avec un code de calcul par la méthode des éléments finis. Néanmoins pour être viable, la méthode de modélisation et d'optimisation développé a été appliquée avec succès à des procédés de mise en forme complexes et variés. Elle a été testée en premier lieu pour la modélisation et l'optimisation du procédé d'emboutissage d'un flan circulaire et dans un second lieu pour l'identification des paramètres du matériau à partir du procédé d'hydroformage. La méthode a été aussi comparée avec une méthode d'optimisation classique de plusieurs points de vue. Il a été constaté le long de cette étude que notre démarche présente une grande potentialité à modéliser des relations qui sont difficile à les décrire avec des modèles mathématiques simple. Elle est aussi, rapide et parallélisable. La qualité des résultats obtenus est convaincante. Ce travail mène à des perspectives plus prometteuses. Elles peuvent être vulgarisées et exploitées dans d'autres applications.

Le sujet de cette thèse se situe à l'intersection des domaines de la robotique mobile et des réseaux de neurones artificiels (RNA). Notre objectif est d'étudier les solutions que peuvent apporter les techniques connexionnistes aux problèmes particuliers posés par la commande automatique d'un robot de type voiture. Ce mémoire se compose de deux parties principales. La première d'entre elles traite des aspects fondamentaux de la commande d'un robot mobile et de l'utilisation des réseaux de neurones artificiels pour la commande de systèmes complexes. Cette première étude nous permet de mettre en évidence les différents points sur lesquels les réseaux de neurones peuvent jouer un rôle dans une architecture de commande conférant une véritable autonomie de mouvements au véhicule, tout en respectant les contraintes de robustesse et de rapidité de réaction induites par l'utilisation d'un robot de la taille et de la vitesse d'une voiture. Nous proposons dans la deuxième partie du mémoire plusieurs contrôleurs permettant d'accroître progressivement l'autonomie du robot. Nous nous intéressons tout d'abord à une tâche simple consistant uniquement à asservir le robot sur une trajectoire de référence issue d'un planificateur. Notre approche autorise une adaptation continue du système face à d'éventuels changements des paramètres du robot ou de son environnement. Afin de permettre la réalisation de manoeuvres sans consignes extérieures, nous proposons également une méthodologie pour la réalisation de contrôleurs basés sur l'utilisation des capteurs externes du véhicule. Notre appoche utilise un modèle alliant des caractéristiques issues de la logique floue et des RNA. Enfin nous montrons comment des tâches complexes peuvent être réalisées à partir de l'enchaînement de plusieurs contrôleurs simples. Notre réalisation du système de sélection de ces contrôleurs, utilisant un RNA récurrent, possède des capacités de robustesse et autorise des réactions très rapides face à l'ensemble des événements extérieurs qui doivent pouvoir être pris en compte.

Ce travail porte sur trois problèmes d'hydrodynamique à petite échelle, dans lesquels des structures déformables interagissent avec un fluide visqueux. Ces structures sont des filaments flexibles, inspirés des flagelles biologiques. Dans chaque cas, une étude expérimentale quantitative est associée à un modèle théorique minimal afin de saisir l'essentiel de la physique mise en jeu. Le premier système est un filament élastique macroscopique, entraîné en rotation. Lorsque la fréquence augmente, le filament subit une transition d'un état peu déformé à un profil hélicoïdal. Selon les conditions d'ancrage, cette transition de forme peut être associée à une branche instable dans la relation force/couple. Le second système est constitué de microcils artificiels, obtenus par auto-assemblage de colloïdes superparamagnétiques. Nous avons étudié la dynamique individuelle et collective de ces microcils actionnables. Nous présentons leur fabrication et leur organisation en réseaux de géométrie contrôlée, dans des canaux microfluidiques. Les filaments sont actionnés en précession autour de l'axe vertical. Il existe une inclinaison critique de champ magnétique par rapport à l'axe de précession, au-delà de laquelle la réponse d'un filament à haute fréquence n'est plus synchrone. Cette transition dynamique repose sur un critère géométrique, lié à la nature de l'interaction magnétique dipolaire. Enfin, sous l'effet des interactions hydrodynamiques à longue portée, les trajectoires des extrémités libres d'un réseau de filaments subissent une évolution morphologique inattendue. Un modèle minimal à deux corps apporte une compréhension semi-quantitative de nos résultats expérimentaux.

Les problèmes de la classification ont reçu une attention considérable dans des différents champs d'ingénierie comme traitement des images biomédicales, identification a partir de la voix, reconnaissance d'empreinte digitale etc. Les techniques d'intelligence artificielles, incluant les réseaux de neurones artificiels, permettent de traiter des problèmes de ce type. En particulier, les problèmes rencontrés nécessitent la manipulation de bases de données de tailles très importantes. Des structures de traitement adaptatives et exploitant des ensembles de classificateurs sont utilisées. Dans cette thèse, nous décrivons principalement le développement et des améliorations apportées à un outil de classification désigné par le terme Tree-like Divide to Simplify ou T-DTS. Nos efforts se sont portés sur l'un des modules de cet outil, le module d'estimation de complexité. L'architecture de l'outil T-DTS est très flexible et nécessite le choix d'un nombre important de paramètres. Afin de simplifier l'exploitation de T-DTS, nous avons conçu et développé une procédure automatique d'optimisation d'un de ces plus importants paramètres, le seuil de décision associé à la mesure de complexité. La contribution principale de cette thèse concerne le développement de modules pouvant s'implanté sur une architecture de calcul matérielle parallèle. Ce ceci permet de se rapproché d'une implantation purement matérielle de l'outil T-DTS

A l'heure actuelle, les seuls moyens d'informer les usagers de la ville de l'environnement sonore dans lequel ils vivent consistent en des indicateurs de niveaux sonores moyens et annuels obtenus par modélisation acoustique des principales infrastructures de transports. Or, ces indicateurs sont difficilement compris et de ce fait mal interprétés par les usagers de la ville car ils ne reflètent pas la signification des bruits perçus et la diversité des situations que les citadins rencontrent. Le but de ce travail de recherche est donc d'analyser la façon dont les usagers de la ville perçoivent le paysage sonore urbain afin de définir des indicateurs de qualité sonore qui pourront être à terme intégrés dans une représentation territoriale cartographique. Pour ce faire, il a tout d'abord été nécessaire de s'attacher à déterminer un pas temporel et spatial de mesure permettant de caractériser des ambiances urbaines d'un point de vue acoustique. A partir d'enregistrements longue durée (trois mois environs) en six points fixes à Paris, il a été possible de déterminer à travers des classifications ascendantes hiérarchiques de Ward associées à des cartes auto-organisatrices de Kohonen qu'une durée de dix minutes semble dans la plupart des cas être suffisante pour caractériser différentes ambiances sonores. Grâce aux mêmes méthodes de classification, l'analyse du maillage spatial a permis de définir quatre zones homogènes qui correspondent (1) au parc, (2) au boulevard, (3) à la rue piétonne puis (4) une zone que l'on qualifiera de zone de transition. La suite de l'étude s'est attachée à construire des modèles de prédiction de la qualité sonore. A partir d'enquêtes de terrain réalisées à Paris et à Lyon, il a été possible d'établir des modèles à la fois locaux (caractérisant le lieu même où le questionnaire a été évalué) et globaux basés d'une part sur des régressions linéaires multiples et d'autre part sur des réseaux de neurones artificiels. La comparaison de ces deux types de modèles a permis entre autre de mettre en évidence l'apport des réseaux de neurones artificiels devant les régressions linéaires multiples en termes de prédiction. Par ailleurs il est ressorti de ces modèles l'importance de variables telles que le silence, l'agrément visuel ou encore la présence de sources sonores particulières comme les véhicules légers pour expliquer la qualité sonore de l'environnement.

Les travaux du laboratoire se concentrent autour du contrôle neuromimétique d'une plate-forme robot-vision. Dans ce cadre, ce travail de thèse concerne l'application des réseaux de neurones artificiels à la commande d'un bras robotique par asservissement visuel. Cette étude porte plus particulièrement sur l'apprentissage modulaire afin de réaliser des contrôleurs neuromimétiques. <br /><br />Asservissement visuel par apprentissage<br />Les mouvements d'un bras robotique sont contrôlés par asservissement visuel. Les informations sont fournies par deux caméras montées sur une tête robotique. La position de chaque objet est alors définie par ses coordonnées dans les images -- gauches et droites -- et par les positions angulaires des caméras.<br />L'approche classique de l'asservissement visuel se base sur une modélisation mathématique du système robot-vision. Un contrôle précis exige une bonne connaissance des différents paramètres des modèles et une prise en compte des erreurs de calibration des capteurs et du robot. Dans cette thèse, nous évaluons une approche alternative à l'approche modèle et proposons une approche non paramétrique qui "apprend" la transformation reliant l'espace des images à l'espace des commandes angulaires à l'aide de réseaux de neurones artificiels.<br /><br />Les réseaux de neurones<br />Les réseaux de neurones se sont révélés être de très bons estimateurs. La complexité de notre tâche, notamment sa dimensionalité et ses caractéristiques non linéaires, rend leur implémentation non triviale. En effet, il est difficile de superviser l'apprentissage des réseaux de grandes tailles. De plus, les temps d'apprentissage et de réponse peuvent devenir prohibitifs.<br />Le choix du réseau de neurones a été guidé par la nécessité d'un apprentissage en ligne, en temps réel, stable, et rapide. Nous avons retenu les cartes auto-organisatrices de Kohonen (SOM, pour Self Organizing Map) qui répondent à ces contraintes. Les notions de compétition entre neurones et de voisinage qu'elles impliquent permettent un apprentissage rapide et efficace. Des variantes ont été développées, comme la carte de Kohonen étendue. Associées à des ADALINEs (ADAptative LINear Elements), ces cartes fournissent des sorties linéaires. Elles sont donc capables de discrétiser n'importe quel espace (notamment le volume de travail du robot) et de le linéariser sans connaissance a priori.<br /><br />La modularité<br />Face à ce problème de dimensionnalité, nous proposons de décomposer la tâche en modules. Chacun de ces modules est alors constitué de réseaux de neurones de faibles dimensions. La modularité peut être vue de deux manières différentes.<br />La première approche met plusieurs modules en parallèle. Chacun de ceux-ci reçoit les mêmes entrées et calcule une sortie. Un module supplémentaire, un superviseur, est ajouté à l'architecture. Il reçoit les mêmes entrées et a pour rôle de sélectionner le module, ou l'ensemble de modules pondérés de manière convenable, afin d'obtenir la meilleure sortie possible.<br />La seconde approche, que nous avons adoptée, décompose la tâche complexe en une série de sous-problèmes. Comme l'apprentissage de chaque module nécessite un jeu d'apprentissage, la difficulté est de superviser les modules internes. En effet, les entrées et les sorties désirées de ces modules ne sont pas accessibles. Il est de ce fait nécessaire d'utiliser des structures d'aide à l'apprentissage telles que la bidirectionnalité. Des modules supplémentaires, spécialisés dans l'estimation de ces grandeurs intermédiaires, sont alors insérés dans l'architecture modulaire.<br /><br />Les résultats<br />L'apprentissage modulaire proposé peut alors être considéré comme un contrôleur neuromimétique. L'asservissement visuel est validé en simulation avec un robot trois axes et quatre axes. L'objectif est la poursuite de cibles mobiles dans un espace tridimensionnel, sans utiliser le modèle du système défini au préalable et sans connaissance a priori, ni sur les mouvements de la cible, ni sur les mouvements des caméras.<br />L'approche modulaire a été validée en simulation. Nous avons montré dans ce travail que l'apprentissage modulaire est possible et efficace. Face à des tâches complexes, où l'apprentissage par un réseau unique est difficile, voire même impossible, l'apprentissage modulaire apporte une solution.