Les Big Data mettent en évidence tous les défauts du paradigme de l'informatique classique. Au contraire, le Neuro-Inspiré traite les Big Data comme ressources pour progresser. Dans cette thèse, nous adoptons les principes de Hierarchical Temporal Memory (HTM) comme références neuroscientifiques et nous élaborons sur la façon dont le Bayesian Machine Learning (BML) mène les approches dans le Neuro-Inspiré à s’unifier et à atteindre nos objectives: (i) la simplification et l'amélioration des algorithmes de BML et (ii) l'approche au Neuro-Inspiré avec une prospective Ultra-Low-Power. Donc, nous nous efforçons d'apporter le traitement intelligent proche aux sources de données et de populariser le BML sur l'électronique strictement limitées tels que les appareils portables, mettable et implantables. Cependant, les algorithmes de BML ont besoin d’être optimisés. En fait, leur mise en œuvre en HW est ni efficaces, ni réalisables en raison de la mémoire, la puissance de calcul requises. Nous proposons un algorithme moins complexe, en ligne, distribué et non paramétrique et montrons de meilleurs résultats par rapport aux solutions de l’état de l’art. En fait, nous gagnons deux ordres de grandeur de réduction en complexité au niveau algorithmique et un autre ordre de grandeur grâce à des techniques traditionnelles d'optimisation HW. En particulier, nous concevons une preuve de concept sur une plateforme FPGA pour l'analyse en temps réel d’un flux de données. Enfin, nous démontrons d’être en mesure de résumer les ultimes découvertes du domaine du BML sur un algorithme généralement valide qui peut être mis en œuvre en HW et optimisé pour des applications avec des ressources limitées. / Big Data highlights all the flaws of the conventional computing paradigm. Neuro-Inspired computing and other data-centric paradigms rather address Big Data to as resources to progress. In this dissertation, we adopt Hierarchical Temporal Memory (HTM) principles and theory as neuroscientific references and we elaborate on how Bayesian Machine Learning (BML) leads apparently totally different Neuro-Inspired approaches to unify and meet our main objectives: (i) simplifying and enhancing BML algorithms and (ii) approaching Neuro-Inspired computing with an Ultra-Low-Power prospective. In this way, we aim to bring intelligence close to data sources and to popularize BML over strictly constrained electronics such as portable, wearable and implantable devices. Nevertheless, BML algorithms demand for optimizations. In fact, their naïve HW implementation results neither effective nor feasible because of the required memory, computing power and overall complexity. We propose a less complex on-line, distributed nonparametric algorithm and show better results with respect to the state-of-the-art solutions. In fact, we gain two orders of magnitude in complexity reduction with only algorithm level considerations and manipulations. A further order of magnitude in complexity reduction results through traditional HW optimization techniques. In particular, we conceive a proof-of-concept on a FPGA platform for real-time stream analytics. Finally, we demonstrate we are able to summarize the ultimate findings in Machine Learning into a generally valid algorithm that can be implemented in HW and optimized for strictly constrained applications.

This thesis deals with the design of steering holder for a race car in the category Formula Student using topology optimisation and analysis of this design. The objective of this thesis is gaining knowledge about topology optimisation and application of this knowledge to the design of a replacement of the steering gearbox and its holder.

L'essor des applications microélectroniques, qui fonctionnent de plus en plus à des fréquences<br />élevées, nécessite le développement de nouveaux modèles ainsi que des méthodes de mesures adéquates<br />en CEM des circuits intégrés. Les travaux de cette thèse sont consacrés à l'étude, l'optimisation et de la<br />réalisation d'une nouvelle cellule TEM (Transverse ElectroMagnetic) ainsi qu'à l'application du modèle ICEM<br />(I ntegrated Circuit Electromagnetic Model). Après une première partie consacrée à l'introduction des différentes méthodes de mesures CEM des composants électroniques et des différents modèles de circuits intégrés, nous présentons les outils théoriques et expérimentaux utilisés pour nos travaux. Ces derniers contribuent, d'une part, à la mise au point technologique et, d'autre part, à l'optimisation de la structure de la cellule.<br />Les principales contributions concernent l'optimisation électromagnétique d'une cellule TEM à support rotatif, présentant notamment une fréquence de coupure proche de 3 GHz et une impédance caractéristique de 50Ω.<br />La technique développée dans la thèse constitue une amélioration de solutions existantes visant à élargir la bande de fréquence couverte par les cellules TEM. Un aménagement particulier de la cellule est également imaginé en vue de détecter l'orientation du circuit offrant le couplage maximum. Les phénomènes parasites de l'environnement de mesures ont été affranchis grâce au développement d'une cloche de protection associée au support rotatif lequel permet ainsi d'améliorer la précision lors de la localisation des sources rayonnantes du composant sous test.<br />Les performances de la nouvelle cellule TEM validées par la mesure expérimentale confirment la pertinence des solutions proposées pour à la fois caractériser et localiser les sources d'émission des circuits intégrés.