Direction scientifique
Transfert de connaissances vers l'industrie

Nos Thèses par thème

Défis technologiques >> Data intelligence dont Intelligence Artificielle
15 proposition(s).

Toutes les offres [+]

Injection de fautes et Intégrité des réseaux de neurones embarqués : attaques, protections, évaluation

Département Systèmes (LETI)

Laboratoire Sécurité des Objets et des Systèmes Physiques

Intelligence Artificielle; Microélectronique; Systèmes embarqués

01-02-2021

SL-DRT-21-0159

pierre-alain.moellic@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Une des tendances majeures de l'Intelligence Artificielle aujourd'hui est le déploiement massif des systèmes de Machine Learning sur une multitude de plateformes embarquées. La majorité des fabricants de semi-conducteurs proposent des produits « compatibles A.I. », principalement pour des réseaux de neurones pour de l'inférence. La sécurité est un des grands freins au déploiement de ces systèmes. De nombreux travaux soulèvent des menaces aux impacts désastreux pour leur développement, comme les « adversarial examples » ou le « membership inference ». Ces travaux considèrent les algorithmes de ML selon un point de vue purement algorithmique sans prendre en considérations les particularités de leur implémentation matérielle. De plus, des études plus poussées sont indispensables sur les attaques physiques (side-channel et injection de fautes). En considérant une surface d'attaque regroupant les aspects algorithmiques et matériels, la thèse propose d'analyser des menaces de type Fault Injection Analysis (FIA) ciblant l'intégrité des modèles (tromper une prédiction) des systèmes EML et le développement de protections efficaces. Quelques travaux s'intéressent aux attaques physiques contre des réseaux de neurones embarqués mais avec des architectures très simples sur des microcontrôleurs 8-bit, ou FPGA ou en pure simulation. Ces travaux ne proposent pas encore des liens entre les modèles de fautes ou les fuites mises en évidence et les failles algorithmiques. En se basant sur l'expérience d'autres systèmes critiques (e.g., module cryptographique), la philosophie de la thèse sera de considérer conjointement le monde algorithmique et le monde physique pour mieux appréhender la complexité des menaces et développer des protections appropriées. La thèse s'intéressera aux questions scientifiques suivantes : (1) Caractérisation et exploitation de modèles de fautes : comment exploiter des disfonctionnements par injections de fautes (laser, EM ou glitch) pour tromper la prédiction d'un modèle de type réseau de neurones profond en minimisant la perturbation. (2) Evaluation des mécanismes de protections classiques : quel est la pertinence et l'efficacité des schémas de défenses classiques (e.g. mécanismes de redondances) pour ce type de systèmes et de menaces ? (3) Développement de nouvelles protections appropriées aux réseaux de neurones embarqués.

Télécharger l'offre (.zip)

Réseau de capteurs et edge AI basse consommation pour la maintenance prédictive

Département Systèmes (LETI)

Laboratoire Autonomie et Intégration des Capteurs

ingénieur ou master 2 Traitement du Signal, Machine learning, Programmation Embarquée

01-10-2021

SL-DRT-21-0312

vincent.heiries@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

La maintenance prédictive est un enjeu majeur pour l'industrie du futur (industrie 4.0), permettant de maximiser les temps d'utilisation des pièces, d'augmenter la durée de vie des machines, de réduire les pannes ainsi que les temps d'immobilisation des équipements; avec à la clé, des gains économiques et environnementaux pour l'entreprise. La maintenance prédictive s'appuie sur des réseaux de capteurs placés sur les équipements à monitorer et sur des mécanismes d'apprentissages mettant en ?uvre de l'intelligence artificielle (Machine Learning). Ces capteurs sont aujourd'hui essentiellement filaires, ce qui rend leur installation complexe : passage de câbles, passage de murs, environnements tournants,? La solution idéale serait de disposer de capteurs communicants sans fil; se pose alors la question de leur autonomie énergétique, ce qui est l'enjeu de cette thèse. Ce sujet de thèse, qui s'inscrit dans la roadmap "Systèmes Cyber-Physiques" du Département Systèmes du CEA-LETI (Grenoble), aura pour objectif de développer un réseau de capteurs basse consommation sans fil permettant de surveiller les équipements industriels et d'anticiper leur défaillance. La thèse s'appuiera sur des solutions technologiques avancées mettant en ?uvre de l'intelligence artificielle embarquée (edge AI), du traitement de données provenant de différents capteurs (audio, vibrations) ainsi que de l'électronique basse consommation (hardware et firmware) notamment pour les aspects traitement de l'information et communication. L'intelligence artificielle est en plein essor avec des enjeux majeurs pour la santé, le transport, la protection de l'environnement ou encore l'industrie. Actuellement, les calculs sont majoritairement déportés sur des serveurs (couramment nommés cloud), ce qui nécessite la transmission complète des données mesurées par les capteurs (par ex. signal audio pour un microphone, ou vibrations pour un accéléromètre). Cette architecture est simple à déployer mais peu efficace du point de vue énergétique avec des serveurs de calcul surdimensionnés pour la plupart, et peu résiliente en cas de défaut de transmission des données. La tendance est donc à l'implémentation des algorithmes de traitement au plus proche des capteurs pour réduire les taux d'utilisation des systèmes de communication, décharger les serveurs de calcul en réduisant leur consommation énergétique et améliorer la résilience de ces réseaux de capteurs. Partant de ce constat, il reste à comprendre comment une tâche de traitement de données initialement réalisée par des serveurs sans contraintes d'alimentation et de puissance de calcul peut être déportée sur un réseau de capteurs à énergie disponible limitée et à puissance de calcul réduite (par ex. microcontrôleurs faible consommation). A cette fin, on pourra entre autre, mettre en ?uvre des méthodes utilisées dans le domaine du compressive sensing, et appliquer des algorithmes de machine learning dans un espace compressé. Le c?ur de la thèse portera donc sur la minimisation de la consommation énergétique hardware et firmware des systèmes électroniques embarqués implémentant de l'intelligence artificielle et visant l'application "maintenance prédictive pour l'industrie". Les questions de recherche et les innovations associées cibleront: (i) le développement d'architectures électroniques basse consommation (fonctions de réveil, ajustement de la fréquence de mesure,?), (ii) le développement et l'implémentation sur microcontrôleurs d'algorithmes de Machine Learning pour les fonctions capteurs (audio, vibrations, températures) et (iii) le développement et l'implémentation sur microcontrôleurs d'algorithmes de Machine Learning pour l'optimisation de l'énergie et de l'autonomie. Un dispositif électronique complet (hardware + firmware) mettant en ?uvre ces innovations et déployé en situation réelle est attendu pour la fin de la thèse.

Télécharger l'offre (.zip)

Imagerie sans lentille et intelligence artificielle pour un diagnostic rapide des infections

Département Microtechnologies pour la Biologie et la Santé (LETI)

Laboratoire Systèmes d'Imagerie pour le Vivant

Master 2 biologie, data intelligence

01-10-2020

SL-DRT-21-0380

caroline.paulus@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

L'objectif de la thèse est de développer une technologie portable d'identification des pathogènes. En effet, dans un contexte d'extension des déserts médicaux et de recrudescence des infections antibiorésistantes, il est urgent de développer des techniques innovantes pour le diagnostic rapide des infections en milieu isolé. Parmi les techniques optiques d'identification des pathogènes, les méthodes d'imagerie sans lentille occupent une place particulière car elles sont les seules à l'heure actuelle à pouvoir proposer une caractérisation simultanée d'un grand nombre de colonies, le tout avec une technologie bas coût, portable et peu énergivore. L'objectif de la thèse est d'explorer les potentialités de l'imagerie sans lentille associée à des algorithmes d'intelligence artificielle pour identifier rapidement les colonies bactériennes présentes dans un liquide biologique. La thèse visera à optimiser le dimensionnement du système imageur (sources, capteurs) et à étudier des algorithmes de traitement d'images et d'apprentissage machine nécessaires pour l'identification des colonies. Deux cas d'applications cliniques seront étudiés.

Télécharger l'offre (.zip)

Neurones oscillants pour le calcul d'optimisation et la mémoire associative

Département Composants Silicium (LETI)

Laboratoire d'Intégration des Composants pour la Logique

Niveau M2, formation en micro/nanoélectronique (technologie et conception) - des connaissances théorique et pratiques des réseaux de neurones pour l'IA sont un avantage

01-10-2021

SL-DRT-21-0393

louis.hutin@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les réseaux de Hopfield sont des réseaux de neurones récurrents qui permettent de réaliser des fonctions de mémoire associative. En soumettant leurs éléments à des fluctuations ajustables, ces réseaux peuvent également être adaptés à la résolution efficace de problèmes d'optimisation combinatoire NP-difficiles. De tels problèmes, dont la résolution exacte en temps polynomial est hors de portée de machines de Turing déterministes, trouvent des applications dans des domaines tels que les opérations logistiques, le design de circuits (e.g. placement-routage), le diagnostic médical, la gestion de réseaux intelligents (e.g. smart grid), la stratégie de management etc. Le sujet proposé s'inscrit dans le contexte de la recherche d'accélérateurs hardware pour l'intelligence artificielle. L'approche considérée en particulier porte sur le choix d'oscillateurs verrouillés en phase par injection (ILO: Injection-Locked Oscillators) pour réaliser la fonction du neurone. L'objectif sera la conception, la fabrication et la démonstration de réseaux de neurones binaires couplés par des poids synaptiques ajustables pour réaliser des fonctions de mémoire associative (ex: reconnaissance de forme) ou d'optimisation combinatoire (ex: coloration de graphe, partitionnement maximal,?).

Télécharger l'offre (.zip)

Apprentissage et quantification des réseaux profonds pour l'apprentissage par transfert

Département Systèmes et Circuits Intégrés Numériques

Laboratoire Intelligence Artificielle Embarquée

Master ou équivalent en apprentissage automatique, informatique, mathématique ou similaire

SL-DRT-21-0446

johannes.thiele@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le « transfer learning » (apprentissage par transfert) est aujourd'hui une technique courante dans le domaine du « Deep Learning », qui utilise les paramètres appris d'un réseau générique (l'extracteur des caractéristiques) pour améliorer l'entraînement d'un autre réseau sur une tâche plus spécifique. Le réseau spécifique est ensuite optimisé pour les contraintes matérielles du cas applicatif. Au vue de la généricité des représentations de l'extracteur de caractéristiques, on se demandera s'il n'est pas possible d'optimiser ce dernier avant le transfert des paramètres, pour éviter que chaque utilisateur ait besoin d'effectuer cette optimisation lui-même. Dans ce contexte, la thèse aura les objectifs scientifiques suivants: - Utilisation des méthodes d'apprentissage « non-supervisées » (self-supervisées, faiblement supervisées, semi-supervisées) pour entraîner des extracteurs sur des grandes bases de données - Etudier comment les méthodes d'optimisation typiques (p.ex. quantification) peuvent être appliquées sur ces extracteurs d'une manière générique (non-spécifique à une tâche applicative) - Quantifier l'influence de ces optimisations sur la capacité de « transfer learning » par benchmarking et par des analyses théoriques (p.ex. théorie de la compression) Compétences : Master 2 (ou équivalent), apprentissage automatique (en particulier Deep Learning), programmation (Python, Pytorch, Tensorflow, C++), bonne connaissance de l'Anglais

Télécharger l'offre (.zip)

Apprentissage incrémental autonome et embarqué

Département Systèmes et Circuits Intégrés Numériques

Laboratoire Intelligence Intégrée Multi-capteurs

Traitement de signal, apprentissage automatique, programmation pour l'embarqué

01-09-2021

SL-DRT-21-0465

carolynn.bernier@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le développement récent d'algorithmes d'apprentissage incrémental adaptés aux réseaux neuronaux profonds est une opportunité permettant d'imaginer de nouveaux capteurs intelligents déployés dans des milieux réels. En effet, la capacité de pouvoir perfectionner son apprentissage à un contexte spécifique de déploiement offre au capteur la possibilité de se personnaliser face à des variations lentes de la tâche à accomplir (ex : détection de différents types d'anomalies) ou encore d'apprendre de nouvelles tâches non prévues initialement (ex : détection de nouveaux types d'anomalies). Cette possibilité rendrait le capteur autonome de plus en plus pertinent. Une application possible pourrait être un imageur intelligent embarqué sur un robot de compagnie et dont la tâche serait de reconnaître les personnes. Celui-ci deviendrait capable de s'adapter aux changements de personnes à reconnaitre dans son environnement ou encore aux changements de décor qui pourraient survenir dans l'environnement. L'objectif de cette thèse est d'explorer les moyens par lesquels le capteur intelligent peut être rendu effectivement autonome dans son évolution sachant que les algorithmes d'analyse du capteur sont fortement contraints par leur contexte d'exécution embarqué. La fonction sera implémentée au travers d'un système avec deux modes, un toujours actif à l'écoute de l'environnement et un avec du calcul plus intensif et sporadique. Se pose la question de partitionner cette fonction sur ce type d'architecture, pour viser performance et efficacité énergétique Les défis à relever pour réaliser un tel système sont multiples : Une première difficulté est la réalisation de mécanismes de détection d'exemples qui sont en réalité de faux négatifs et d'autres qui correspondent à des classes nouvelles. Or, la détection de ces deux types d'exemples doit être exécutée sur la plateforme « Always-on », avec les contraintes d'implémentation associées. Une seconde difficulté concerne la phase de ré-apprentissage qui est exécutée sur la plateforme « On-demand ». Cette phase de ré-apprentissage doit prendre en compte la structure du modèle « Always-on » afin de le ré-entraîner avec de nouveaux exemples, ceci afin soit de faire lentement évoluer le contenu des classes apprises soit afin d'apprendre une nouvelle classe, mais sans oublier les anciennes. Le domaine applicatif visé par cette thèse étant nouveau, le ou la candidat.e devra être capable de garder une vision large sur le sujet et devra nécessairement adresser des domaines aussi variés que la compréhension d'un grand nombre de familles d'algorithmes d'apprentissage automatique et incrémental, la mise en ?uvre de différents algorithmes d'entraînement de modèles neuronaux et enfin les besoins matériels nécessaires à la réalisation de ces calculs dans un contexte embarqué.

Télécharger l'offre (.zip)

Nouvelles approches intelligentes d'analyse de l'intonation et l'intelligibilité de la parole chez les enfants atteints de paralysie cérébrale

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire d'Interfaces Sensorielles & Ambiantes

Ingénieur ou Master 2 en Informatique, Apprentissage profond et IA

01-10-2021

SL-DRT-21-0539

margarita.anastassova@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

L'infirmité motrice cérébrale (IMC) est un trouble moteur du développement qui affecte la capacité d'un individu à se déplacer et à maintenir son équilibre et sa posture. Elle touche 2 à 4 enfants sur 1 000, ce qui fait de cette maladie chronique le handicap moteur le plus fréquent chez l'enfant. En plus des problèmes moteurs, de nombreux enfants atteints d'IMC ont des difficultés d'élocution, ce qui affecte gravement leur accès aux activités sociales et éducatives. Le trouble de la parole le plus fréquent chez les enfants avec IMC est la dysarthrie développementale, caractérisée par des mouvements limités de la mâchoire, des lèvres et de la langue, une articulation imprécise, un rythme d'élocution lent, une intonation réduite avec une variation limitée de la hauteur, le rythme et le volume de la parole, ce qui entraîne une mauvaise intelligibilité. Malgré la fréquence des problèmes d'intonation et d'intelligibilité dans cette population, l'hétérogénéité des profils et le rôle central de l'intonation dans la communication, peu d'études ont examiné les profils prosodiques (relatifs à l'intonation) chez ces enfants afin de les caractériser et de les classer. Par conséquent, il y peu de connaissances sur les problèmes d'intonation et leur relation avec l'intelligibilité de la parole chez les enfants atteints d'IMC. L'objectif du projet de recherche est de combler ces lacunes. Pour ce faire, une approche basée sur des données du monde réel sera utilisée, combinée à des approches analytiques innovantes basées sur l'IA et l'apprentissage profond.

Télécharger l'offre (.zip)

Apprentissage par Transfert et Transport Optimal appliqués à l'adaptation de modèles appris sur données simulées

Département Métrologie Instrumentation et Information (LIST)

Laboratoire Science des Données et de la Décision

Master 2 ou Diplôme d'ingénieur en Maths Appliquées, Data Sciences, Traitement du Signal

01-10-2021

SL-DRT-21-0563

fred-maurice.ngole-mboula@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le but de cette thèse est d'explorer les apports possibles du transport optimal au domaine de l'apprentissage automatique par transfert, selon trois axes : - la construction d'un critère de transférabilité de la connaissance entre une tâche source et une tâche cible à partir d'une caractérisation de la régularité du plan de transport optimal entre les distributions des données associées aux tâches source et cible ; - l'intégration d'a priori sur la similarité des tâches via la métrique de "terrain" utilisée pour calculer le plan de transport optimal entre les distributions des données associées aux tâches source et cible ; - l'application du barycentre de Wasserstein à l'apprentissage multi-tâches. Ces travaux pourront s'appliquer à différents problèmes ayant fait l'objet de travaux au sein du laboratoire, notamment l'adaptation de modèles appris sur des données simulées. Une version plus détaillée du sujet de thèse est consultable via le lien suivant : https://drive.google.com/file/d/13RAQEi0PdnkllM-MHxQS50WWUNUtGS07/view?usp=sharing

Télécharger l'offre (.zip)

Mélanger l'intuition au raisonnement - L'apprentissage profond amélioré avec la logique algorithmique et l'abstraction

Département Ingénierie Logiciels et Systèmes (LIST)

Labo.conception des systèmes embarqués et autonomes

Master Informatique, spécialisation / initialisation en IA ou Data Engineering recommandée mais pas obligatoire

01-03-2021

SL-DRT-21-0617

shuai.li@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Dans la discipline de l'apprentissage par machine, l'apprentissage profond, basé sur les réseaux de neurones, est une sous-discipline qui a pris de l'importance grâce à de nombreux succès significatifs. Contrairement au raisonnement machine classique, la méthode statistique par laquelle un réseau de neurones résout un problème peut être vue comme une forme primitive d'intuition. Cependant, actuellement le seul succès réel de l'apprentissage profond est sa capacité auto-configurer sa logique géométrique qui lui permet de transformer des données représentées par des points dans une dimension n, en des données représentées par d'autres points dans une dimension m, si on fournit suffisamment de données d'entraînement. Contrairement à un être humain, un réseau de neurones n'a pas la capacité de raisonner à travers la logique algorithmique. De plus, même si les réseaux de neurones sont extrêmement puissants pour une tâche donnée, puisqu'ils n'ont pas la capacité de généralisation globale, toute déviation dans les données d'entrée entraînerait des résultats surprenants, ce qui limite leur réutilisabilité. Avec le coût de développement important des réseaux de neurones, on comprend dès lors que leur intégration n'est pas toujours économiquement viable. C'est pourquoi il est nécessaire de les abstraire, encapsuler, réutiliser, et composer. Même s'ils sont absents de l'apprentissage profond, la logique algorithmique et l'abstraction sont aujourd'hui innées à l'ingénierie logicielle classique, à travers des primitives de programmation, des paradigmes d'architecture logicielle, et des patrons méthodologiques matures comme l'Ingénierie Dirigée par les Modèles. C'est pourquoi, dans cette thèse, nous proposons de mélanger l'intelligence algorithmique réutilisable, offrant la capacité de raisonner, avec l'intelligence géométrique réutilisable, offrant la capacité à l'intuition. Pour atteindre cet objectif, nous pouvons explorer des idées comme l'intégration de primitives de contrôle dans les réseaux de neurones, l'application de paradigme d'architecture logicielle dans les modèles de réseau, et l'assemblage de systèmes modulaires utilisant des librairies contenant des modules algorithmiques et géométriques. Les résultats de cette thèse sont une étape dans le but global d'aider les entreprises à assembler des systèmes d'IA pour leurs problèmes spécifiques, en limitant le coût d'expertise, effort, temps, et données associé à l'intégration de réseaux de neurones.

Télécharger l'offre (.zip)

Apprentissage des flux de données distribués dans un environnement collaboratif

Département Métrologie Instrumentation et Information (LIST)

Laboratoire Intelligence Artificielle et Apprentissage Automatique

Machine Learning, Computer Science, Applied Mathematics

01-09-2021

SL-DRT-21-0640

sandra.garciarodriguez@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le sujet de thèse proposé est à la croisée de deux domaines de l'apprentissage automatique très actuels, puisqu'il s'agit de l'apprentissage fédéré et de l'apprentissage de données en flux. Les flux de données sont définis comme des flux infinis de données intégrées provenant à la fois de sources en temps réel et de sources historiques. Dans de tels scénarios, les algorithmes de traitement des flux de données doivent répondre à des exigences telles que le stockage limité, le passage unique (les données ne seront traitées qu'une seule fois), le temps réel et la dérive de concept. D'autre part, l'apprentissage fédéré est une technique qui permet de mettre en ?uvre un algorithme sur plusieurs périphériques ou serveurs décentralisés contenant des échantillons de données locales, sans les échanger.

Télécharger l'offre (.zip)

Analyse mémoire précise et efficace pour les languages de bas niveau

Département Ingénierie Logiciels et Systèmes (LIST)

Laboratoire pour la Sûreté du Logiciel

Master en informatique, avec une formation en méthode formelle ou sémantique des languages de programmation (compilation). La connaissance des languages fonctionnels (OCaml,Haskell,Lisp) et/ou bas-niveau (C, assembleur) est un plus.

01-10-2021

SL-DRT-21-0641

matthieu.lemerre@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le but de la thèse est de développer une analyse statique automatique (basée sur l'interprétation abstraite) permettant de vérifier, dans des grosses bases de code dans des langages bas-niveau compilés (de type C, C++, assembleur, Rust), des propriétés de sécurité liées à la mémoire, telle que des propriétés de flot d'information et l'absence de corruption de mémoire. Cette problématique est très importante pour la cybersécurité, car la plupart des erreurs de sécurité liées au logiciel, et celles dont la sévérité est la plus importante, proviennent d'erreurs de sûreté mémoire (buffer overflows, use-after-free, déréferencement de pointeur null, mauvaises conversions de pointeurs, mauvaise interface entre plusieurs langages, etc.). Les trois grands problèmes lorsqu'on conçoit une telle analyse statique automatique est de demander un faible effort de vérification de la part de l'utilisateur, de gérer des systèmes larges et complexes, et d'être assez précis pour que l'analyse ne rapporte pas un grand nombre de fausses alarmes. L'approche privilégiée pour cette thèse se reposera sur une nouvelle analyse statique utilisant des domaines abstraits paramétrés par des invariants de types, qui se trouve être à une juste équilibre entre précision (par rapport à des analyses de pointeur), efficacité (par rapport à des analyses de shape), et effort à fournir (par rapport à des méthodes de vérification déductives). Cette méthode a déjà permis de prouver automatiquement l'absence d'escalade de privilège et de corruption mémoire dans un micronoyau industriel existant à partir de son code machine, en utilisant seulement 58 lignes d'annotations. De nombreuses questions de recherches restent en suspend, et on explorera ainsi comment on peut faire une analyse compositionelle basée sur ce domaine pour en améliorer le passage à l'échelle, comment on peut en améliorer l'expressivité pour montrer des propriétés de sécurité complexe comme la non-interférence, comment on peut en améliorer la précision sans dégrader l'efficacité, ou comment réduire encore plue le nombre d'annotations (en inférant automatiquement des invariants de types).

Télécharger l'offre (.zip)

Extraction sémantique temps-réel sur données éparses pour la perception embarquée

Département Systèmes et Circuits Intégrés Numériques

Laboratoire Intelligence Artificielle Embarquée

Master 2 (Bac +5)

01-10-2021

SL-DRT-21-0656

mehdi.darouich@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le sujet de thèse que nous proposons se situe dans le domaine des architectures embarquées pour l'analyse sémantique de données éparses en temps-réel. Durant cette dernière décennie, l'analyse de flux d'images et de données a connu un boom suite à l'amélioration significative des réseaux de neurones et la spécialisation toujours plus forte des architectures de calcul numériques associées. La recherche a permis le développement de réseaux plus efficace, moins gourmands en mémoire et de plus en plus intégrable dans du matériel embarqué. Plusieurs travaux sont en cours actuellement au laboratoire, autour de l'outil N2D2 pour l'optimisation et l'intégration sur matériel embarqué de réseaux de neurones, ainsi qu'autour de l'architecture matérielle embarquée DNeuro. Au sein des systèmes de perception embarqués, les fortes contraintes sur la bande passante et la mémoire entraine l'utilisation privilégiée de données de type éparse (graphes, nuages de points, etc), réduites en quantité de données et contenant des informations particulièrement riches sur l'environnement à analyser. Cependant, la structure non-contiguë et non-prédictible de ces données éparses est très différente d'un flux d'image traditionnel, rendant les architectures matérielles actuelles peu adaptées à leur exécution. Ces caractéristiques particulières laissent cependant présager des opportunités très intéressantes en terme d'optimisation et d'efficacité. Ces travaux de thèse visent à explorer cette classe d'algorithmes et leur capacité d'intégration sous contraintes dans une architecture de calcul embarquée. Les problèmes scientifiques qui se posent ici sont comment effectuer la gestion efficace des données dans un contexte de répartition calculatoire fortement éparse, la compatibilité des algorithmes d'analyse sur donnée éparse avec l'exécution sur cible embarquée et les performances et la précision atteignables sous ces contraintes.

Télécharger l'offre (.zip)

De l'intérêt des jeux pour une ingénierie collective performante

Département Ingénierie Logiciels et Systèmes (LIST)

Lab.systèmes d'information de confiance, intelligents et auto-organisants

Master en informatique, en IA.

01-09-2021

SL-DRT-21-0692

sara.tucci@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les technologies, et en particulier les technologies numériques, font partie de l'éventail de solutions proposées pour relever les nombreux défis sociétaux et environnementaux, tels que les 17 objectifs de développement durable énumérés par les Nations unies. Face à la complexité des systèmes à mettre en ?uvre pour cela, l'intelligence collective est une clé majeure de succès. Multidisciplinaires et holistiques, les pratiques d'ingénierie des systèmes telles que formalisées par INCOSE et plus particulièrement dans leur version basée sur l'ingénierie des modèles, sont similaires aux pratiques de l'intelligence collective, et donc sa performance repose sur la capacité du groupe à communiquer et donc sur les outils de travail collaboratif partagés par l'équipe. Cependant, les utilisateurs considèrent souvent les outils comme complexes et la "mauvaise" utilisation qui en résulte devient une entrave à la performance du collectif au lieu d'être un stimulant. Cette thèse vise à explorer les domaines des jeux sérieux et de la théorie des jeux afin d'inverser cette tendance et de faire des outils logiciels des alliés du développement plutôt que des ennemis à combattre.

Télécharger l'offre (.zip)

Méthodes d'apprentissage et de classification basées tactile pour la planification et la vérification de tâches ? applications en manipulation robotique pluridigitale et bimanuelle

Département Systèmes (LETI)

Laboratoire Signaux et Systèmes de Capteurs

M2 apprentissage machine, robotique, traitement de signal

01-09-2021

SL-DRT-21-0803

saifeddine.aloui@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

La manipulation robotique d'objets requiert en premier lieu une planification de prise de ces objets, qui est fonction de paramètres caractéristiques du préhenseur et de la tâche à effectuer (tels que les zones d'accessibilité ou le niveau et la direction des efforts pouvant être impliqués dans les tâches d'assemblage, d'insertion, de manipulation dextre, etc.). En outre, lors de l'exécution de la tâche, il est nécessaire de pouvoir s'assurer du déroulement nominal de la tâche planifiée, en détectant l'occurrence de certains évènements critiques et nécessaires à sa réalisation (tels que l'interaction d'objets entre eux, la perte de stabilité de l'objet, etc.) puis en validant la réalisation effective de la tâche planifiée (via la classification de données permettant de caractériser le succès ou non de tâches telles que l'insertion ou l'assemblage). Ces étapes de détection et vérification, cruciales lorsqu'il s'agit de robotiser certaines tâches critiques exigeant un haut niveau de traçabilité, peuvent s'appuyer notamment sur l'analyse et la surveillance de données ou signaux propres au système considéré de manipulation. Le travail demandé exploitera un système expérimentale constitué d'une station bimanuelle, équipée notamment de deux préhenseurs pluridigitaux équipés de capteurs tactiles multimodaux développés par le CEA. Ce travail de thèse se décompose essentiellement en deux parties. La première partie consiste en l'utilisation de méthodes d'apprentissage, qui soient capables de tenir compte des capacités des manipulateurs pluridigitaux et des impératifs de la tâche, pour planifier la prise d'objets. La seconde partie de la thèse vise à exploiter certaines méthodes basée sur la classification de signaux tactiles et proprioceptifs du système pour valider l'accomplissement de la tâche.

Télécharger l'offre (.zip)

Exploration de techniques d'apprentissage pour ?Edge AI" exploitant les Resistive RAM

Département Systèmes et Circuits Intégrés Numériques

Laboratoire Systèmes-sur-puce et Technologies Avancées

Master / ingénieur en électronique

01-09-2021

SL-DRT-21-0825

Francois.RUMMENS@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les implémentations matérielles classiques de réseaux de neurones artificiels ayant été développées pour tourner uniquement sur des gros calculateurs, elles ne répondent pas aux exigences de frugalité du monde de l'électronique embarquée. Au contraire, une combinaison de solutions calculatoires analogiques ou mixtes et de l'usage de technologies mémoire émergente peut, elle, permettre de satisfaire le besoin de très faible consommation des systèmes embarqués. Cette combinaison permet également d'envisager d'embarquer non seulement l'inférence mais aussi l'algorithme d'apprentissage sur puce. Cette avancée, quasi-inatteignable via des approches classiques, permettra au système de s'adapter en totale autonomie aux variations statistiques des entrées, de réduire la taille du réseau de neuronne et de traiter sans diffusion des données privées. Les approches actuelles utilisent généralement des algorithmes d'apprentissage incompatibles avec les comportements physiques non-idéaux des mémoires résistives. Cette thèse a pour objectif d'explorer diverses solutions algorithmiques d'inférence et d'apprentissage pour proposer des architectures de réseaux de neurones plus adaptées à la réalité des technologies de mémoire résistive développées au LETI.

Télécharger l'offre (.zip)

Voir toutes nos offres