Pour répondre à différents enjeux scientifiques et sociétaux, les circuits intégrés de demain doivent gagner en efficacité énergétique. Or, la majorité de leur énergie est aujourd’hui consommée par les transferts de données entre les blocs mémoire et logique dans des architectures circuit de type Von-Neumann. Une solution émergente et disruptive à ce problème consiste à rendre possible des calculs directement dans la mémoire (« In-Memory Computing »). Dans le cadre de ce projet Carnot, nous proposons d’étudier la théorie du calcul hyper-dimensionnel (HDC) qui est aujourd’hui envisagée pour répondre au besoin de l’apprentissage machine dans le domaine de l’intelligence artificielle. Pour tester cette théorie, nous proposons de l’appliquer à la détection et à la classification de signaux physiologiques pour la reconnaissance de gestes. Ce domaine de recherche très prometteur pour les applications liées à l’interaction homme-machine, donne la possibilité a un utilisateur d’interagir directement par son activité musculaire. Par rapport aux autres méthodes de classification, le calcul HDC présente des atouts importants : il est simple dans le sens où il s’appuie sur des opérations élémentaires, une seule passe est nécessaire pour l’entrainement (donc pas de rétro-propagation avec une mise à jour de poids synaptiques). Le fait qu’une entité soit représentée sur un vecteur de grande dimension (hyper-vecteur) rend cette approche peu sensible aux erreurs et aux bruits, ce qui représente un atout majeur pour travailler avec des signaux physiologiques.