… que l’algorithme EqProp est sensible aux paramètres d’apprentissage et aux valeurs de conductance initiales aléatoires. Nous montrons que la négligence de certains composants analogiques—comme les diodes—dans la fonction d’énergie, ainsi que l’ignorance des interdépendances inhérentes aux circuits analogiques sont susceptibles d’entraîner des comportements chaotiques. Nous proposons une approche modifiée, fondée sur les lois de Kirchhoff, afin de prendre en compte ces interdépendances dans les circuits analogiques. Sur cette base, nous introduisons une nouvelle fonction d’énergie fondée sur la puissance électrique conventionnelle, prenant en considération tous les composants pertinents et leurs effets sur le processus d’optimisation. Par ailleurs, cette thèse adopte une analyse descendante débutant par le cadre conceptuel des modèles d’apprentissage automatique. Cette démarche guide la conception de notre architecture de circuits analogiques et garantit une transition naturelle du logiciel vers le matériel, tout en abordant la contrainte liée à la conductance positive. De nombreuses simulations PySpice démontrent la performance supérieure de notre méthode, atteignant des réductions significatives du taux d’erreur et un apprentissage robuste et stable pour différentes configurations initiales de résistance. Ce travail souligne le potentiel de l’utilisation d’une fonction d’énergie plus précise pour améliorer l’efficacité et la robustesse d’EqProp dans l’apprentissage des réseaux résistifs non linéaires.