Aprentissage probabiliste à base de dispositifs spintroniques

CEA; Grenoble; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une opportunité passionnante pour un candidat au doctorat dans le domaine des sciences pour l'ingénieur. Le candidat travaillera sur des projets innovants liés à l'apprentissage probabiliste et à la conception d'accélérateurs matériels. En intégrant des concepts avancés de réseaux neuronaux bayésiens, il/elle contribuera à des recherches de pointe au sein d'une équipe dynamique. Ce rôle implique la modélisation et la validation de nouvelles architectures, offrant une chance unique de faire avancer les technologies dans un environnement académique stimulant. Si vous êtes passionné par l'innovation et la recherche, cette thèse est faite pour vous.

Qualifications

• Le candidat doit avoir une bonne compréhension des tâches techniques.
• Expérience en conception et validation d'architectures est essentielle.

Responsabilités

• Développer des architectures de calcul en mémoire et valider des concepts.
• Participer à des réunions techniques et collaborer avec les partenaires.

Connaissances

Conception d'accélérateurs matériels

Modélisation de haut niveau

Validation de concepts

Réseaux neuronaux bayésiens

Simulation et validation

Formation

Doctorat en Sciences pour l'ingénieur

Description du poste

Description du sujet de thèse

Domaine
Sciences pour l'ingénieur

Sujets de thèse
Apprentissage probabiliste à base de dispositifs spintroniques

Contrat
Thèse

Description de l'offre
Le candidat au doctorat conjoint UGA - KIT recruté devrait être en mesure de couvrir les travaux des lots de travail 1 et 2. Il/elle participera également à des réunions techniques et aura une bonne compréhension de la façon dont les tâches des autres lots de travail techniques sont exécutées, principalement par les partenaires avec un effort interne. Dans l'ensemble, le candidat au doctorat développera et optimisera des architectures compactes de calcul en mémoire, fournira des modèles de haut niveau pour une intégration ultérieure dans des conceptions à grande échelle, effectuera la validation de toutes les preuves de concepts de nouvelles implémentations architecturales. Il/elle sera également impliqué(e) dans la conception d'implémentations algorithmiques de réseaux neuronaux bayésiens adaptés à l'architecture. Plus précisément, il/elle travaillera dans les directions suivantes :

1. La conception complète d'un accélérateur matériel sans transistor de sélection pour les opérations fréquentes de lecture et d'écriture.
2. Conception et validation d'une approche architecturale innovante capable de compenser les phénomènes de "sneaky paths".
3. Modélisation de haut niveau de l'architecture crossbar complète qui inclut la composante stochastique.
4. Proposer un flux de simulation et de validation complet pouvant être adapté à une taille et à des paramètres d'architecture réalistes qui mettent en œuvre des tâches bayésiennes.
5. Réaliser des figures de mérite en matière de délai, de consommation d'énergie et de surcharge de surface.

Université / école doctorale
Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Université Grenoble Alpes

Localisation du sujet de thèse
Site
Grenoble

Demandeur
Personne à contacter par le candidat
ANGHEL Lorena < email supprimé pour raison de sécurité >
Grenoble INPG
Laboratoire SPINTEC

06 82 31 26 47

Tuteur / Responsable de thèse
ANGHEL Lorena < email supprimé pour raison de sécurité >
Grenoble INPG
Laboratoire SPINTEC

06 82 31 26 47

En savoir plus