Stage en IA Adaptative: Transformers et Mémoire ReRAM

CEA; Grenoble; On-site; EUR 10,000 - 12,000; Full time

Benefits offered by this job

Restaurant d'entreprise

Transport remboursé 85%

Équilibre vie privée/pro

Opportunités de carrière

Encadrement de qualité

Job summary

Le CEA – Laboratoire des Dispositifs Mémoires et de Calcul à Grenoble – propose un stage de 4 à 6 mois sur la conception conjointe d'algorithmes et de matériel pour des architectures Transformers adaptatives utilisant le calcul analogique en mémoire ReRAM.

À partir de PyTorch et de données de caractérisation, vous développerez des modèles de référence et évaluerez des configurations du réseau, la quantification des poids et la variabilité des dispositifs.

Qualifications

• Étudiant(e) en M2 ou en dernière année d'école d'ingénieurs, avec spécialisation en électronique, informatique, mathématiques appliquées, science des données ou domaine connexe.
• Solides compétences quantitatives et expérience en Python/PyTorch attendues.
• Intérêt pour l'apprentissage automatique et les contraintes matérielles en IA souhaité.
• Expérience préalable en mémoires émergentes ou calcul analogique est un atout, sans être indispensable.

Responsibilities

• Concevoir des algorithmes et du matériel pour des architectures Transformers adaptatives utilisant le calcul analogique en mémoire ReRAM.
• Développer des modèles de référence avec PyTorch et évaluer différentes configurations du réseau.
• Analyser l'impact de la quantification des poids et de la variabilité des dispositifs sur les performances.
• Proposer des stratégies d'apprentissage compatibles avec ces contraintes et recommander des choix de conception pour de futurs accélérateurs IA.

Skills

Python

PyTorch

Education

M2 ou dernière année d'école d'ingénieurs

Job description

Le CEA – Laboratoire des Dispositifs Mémoires et de Calcul à Grenoble – propose un stage de 4 à 6 mois sur la conception conjointe d'algorithmes et de matériel pour des architectures Transformers adaptatives utilisant le calcul analogique en mémoire ReRAM.

À partir de PyTorch et de données de caractérisation, vous développerez des modèles de référence et évaluerez des configurations du réseau, la quantification des poids et la variabilité des dispositifs.