H/F Etude d'architectures analogiques et signaux mixtes pour l'intelligence artificielle embarquée

CNRS; Montpellier; Sur place; EUR 60 000 - 80 000; Plein temps

Résumé du poste

Un institut de recherche en France recherche un doctorant pour étudier les architectures analogiques et les signaux mixtes pour l'intelligence artificielle embarquée. Ce projet vise à développer des modèles efficaces en collaboration internationale, avec un salaire minimum de 2200€ par mois. Le candidat devra posséder des compétences en apprentissage automatique, systèmes embarqués et conception analogique.

Qualifications

• Compétences en mathématiques appliquées à l'apprentissage automatique.
• Expérience en systèmes embarqués requise.
• Connaissance de la conception analogique/mixte appréciée.

Responsabilités

• Réaliser des recherches sur les EBM pour l'intelligence artificielle.
• Développer des modèles et algorithmes pour des systèmes énergétiquement sobres.
• Collaborer avec d'autres chercheurs sur des projets internationaux.

Connaissances

Apprentissage automatique

Systèmes embarqués

Conception analogique/mixte

Formation

Doctorat en sciences

Description du poste

H/F Etude d\'architectures analogiques et signaux mixtes pour l\'intelligence artificielle embarquée

Cette offre est disponible dans les langues suivantes :

Date Limite Candidature : jeudi 25 septembre 2025 00:00:00 heure de Paris

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler

Informations générales

• Intitulé de l'offre : H/F Etude d\'architectures analogiques et signaux mixtes pour l\'intelligence artificielle embarquée
• Référence : UMR5506-GILSAS-005
• Nombre de Postes : 1
• Lieu de travail : MONTPELLIER
• Date de publication : jeudi 26 juin 2025
• Type de contrat : CDD Doctorant
• Durée du contrat : 36 mois
• Date de début de la thèse : 1 octobre 2025
• Quotité de travail : Complet
• Rémunération : La rémunération est d\'un minimum de 2200,00 € mensuel
• Section(s) CN : 07 - Sciences de l\'information : traitements, systèmes intégrés matériel-logiciel, robots, commandes, images, contenus, interactions, signaux et langues

Description du sujet de thèse

Dans le domaine de l\'intelligence artificielle neuromorphique, les modèles basés sur l\'énergie (EBM) connaissent un intérêt croissant, en raison de leur capacité à capturer les relations entre les variables en minimisant une fonction scalaire unique (fonction d\'énergie) sans nécessiter de normalisation à l\'échelle de l\'ensemble des données. Un exemple proéminent d’EBM est certainement le modèle de réseau de Hopfield, binaire ou non, dont l\'évolution de l\'état de chaque unité (neurone) est dicté par une minimisation de sa contribution à l\'énergie totale du système. Une fois l’équilibre atteint (le minimum d\'énergie), une lecture du résultat peut être effectuée.

Les EBM présentent des caractéristiques les rendant attractifs pour des implémentations "proche physique" (analogiques / signaux mixtes). En effet tout système dynamique possédant une loi d’évolution dont les paramètres peuvent être ajustés peut être utilisé pour faire un modèle EBM réalisant une tâche arbitraire, comme de la classification d’images par exemple. Un système électrique analogique basé sur des mémoires non volatiles se prête bien à cet exercice, et quelques premières démonstration montrent l\'intérêt de cette approche pour la sobriété énergétique.

Adosser ces EBM à des algorithmes d\'apprentissage plus biologiquement plausibles et/ou basés sur des lois locales constitue une direction de recherche très prometteuse pour les application d\'IA sobres en énergie et à l’Edge: il s’agit ici de rendre ces systèmes capables d’apprentissage à proprement parler, et pas d’inférence uniquement.

Ce sujet de thèse de doctorat prend appui sur des travaux menés au sein du laboratoire, sur une framework logiciel et sur des contributions sur l’algorithmique et l’architecture matérielle qui s’apprêtent à faire l’objet de la réalisation d’un circuit démonstrateur. Cette thèse de doctorat abordera à la fois la question des modèles et des algorithmes d\'entrainement et analysera les opportunités d\'implémentations matérielles analogique/mixte et à base de composants memristifs (OxRAM, FeRAM, FemFET) pour le stockage des poids de ces réseaux. Ces investigations seront menées dans le cadre du projet "Emergences" du programme cadre national PEPR IA de France 2030. Ces investigations seront menées en collaboration avec d'autres partenaires / doctorants et des post-doctorants.

Les candidats devront posséder des compétences dans au moins deux des domaines suivants :

• Apprentissage automatique et fondements mathématiques associés
• Systèmes embarqués
• Conception analogique/mixte

Ce sujet est lié au contexte de travail suivant.

Contexte de travail

La thèse se déroulera au LIRMM, unité mixte de recherche CNRS / Université de Montpellier. Cette thèse sera en collaboration étroite avec d\'autres partenaires du projet ciblé support du PEPR IA (projet Emergences). Une collaboration internationale avec l\'université de Brême est également prévue, université avec laquelle des travaux en collaboration sur les EBM sont menés depuis plusieurs années.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l\'autorité compétente du MESR.