Direction scientifique
Transfert de connaissances vers l'industrie

Nos Thèses par thème

Toutes les offres [+]

Développement de l'IA dans la métrologie dimensionnelle à l'échelle nanométrique

Département des Plateformes Technologiques (LETI)

Laboratoire

Ingénieur ou master traitement de données, IA

01-10-2021

SL-DRT-21-1012

jerome.reche@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Avec l'évolution rapide de l'industrie des semi-conducteurs, chaque nouveau n?ud technologique implique des caractéristiques de taille réduite et/ou des complexités croissantes dans la morphologie 3D des nanostructures. Cela impacte directement l'étape de lithographie, premier chainon de la fabrication, notamment au travers de l'étape de contrôle métrologique qui doit être plus complet mais aussi plus fiable. Cela se traduit par des tolérances admissibles très faibles sur les erreurs de mesure. Aujourd'hui, aucune technique de métrologie ne peut à elle seule répondre aux exigences strictes de l'industrie. C'est pourquoi, la métrologie hybride, basée sur le concept de la fusion de données, est très prometteuse. Elle consiste à déployer conjointement différentes techniques de métrologie afin de combiner leurs forces tout en atténuant leurs faiblesses. Au stade de nos recherches actuelles, développées dans le cadre du projet ECSEL MadeIn4, une approche par réseau de neurones a permis de concevoir et d'optimiser une structure neuronale pour des motifs de lignes caractérisées par 3 paramètres dimensionnels. La validation du réseau de neurones (RN) s'appuie sur des données simulées issues de modélisations physiques propres à chaque technique desquels les paramètres dimensionnels sont extraits. L'étape naturelle suivante qui est l'objectif de cette thèse est de développer un réseau de neurones utilisant directement les données brutes (image, spectre, ?) issues des différents instruments de mesure. La phase d'apprentissage du RN se fera sur la base de données virtuelles issues de modélisations physiques et la validation finale du RN sera effectuée sur des données issues des instruments de métrologie à l'état de l'art disponibles dans nos salles blanches et mesurées sur des échantillons optimisés pour cette étude.

Télécharger l'offre (.zip)

Exécution symbolique pour les réseaux de neurones

Département Ingénierie Logiciels et Systèmes (LIST)

Laboratoire exigences et conformité des systèmes

SL-DRT-21-1061

arnault.lapitre@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Pour évaluer la confiance que l'on peut avoir dans un réseau de neurones, l'un des enjeux est de comprendre comment le réseau classifie les données. La taille des réseaux de neurones utilisés industriellement, en termes de nombre de chemins d'exécutions, mais aussi en terme de nombre de paramètres manipulées, est telle qu'une analyse humaine n'est pas possible. Il faut donc automatiser cette analyse et parmi les approches récemment explorées dans l'état de l'art, on trouve des techniques basées sur l'exécution symbolique. Cette approche reposant sur l'exploration des différents chemins d'exécutions d'un programme permet, d'effectuer des couvertures structurelles, de mettre en ?uvre des heuristiques dédiées à l'atteignabilité de partie du programme ou à la vérification de propriétés, et de générer des cas de test pour ces objectifs. Cette thèse a pour objet de proposer des adaptations des techniques existantes d'exécution symboliques pour les appliquer à la vérification des réseaux de neurones qui proposent de nouveaux défis en terme d'exploration de programme, afin d'y révéler et analyser les comportements indésirables après les avoir caractérisés.

Télécharger l'offre (.zip)

Commande adaptative d'un exosquelette d'assistance au port de charge

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire d'Architecture des Systèmes Robotiques

Ingénieur ou master2 en automatique / robotique, informatique, mathématiques appliquées

01-09-2021

SL-DRT-21-1066

franck.geffard@cea.fr

Usine du futur dont robotique et contrôle non destructif (.pdf)

Ces dernières années les recherches visant à faire collaborer des robots avec les hommes ont beaucoup progressées. Cependant une des difficultés majeure qui empêche encore l'utilisation massive de ces nouvelles technologies dans l'industrie pour l'exécution de tâches complexes, est le manque de solution satisfaisante permettant d'anticiper correctement l'intention de l'opérateur. Ce besoin est d'autant plus criant dans le cas d'une interaction physique sur l'ensemble d'un membre de l'opérateur, comme cela est souvent le cas pour les exosquelettes, et en particulier ceux permettant une assistance en effort. L'objectif de cette thèse est de développer et évaluer de nouvelles lois d'apprentissage et de commande pour améliorer l'utilisabilité et le confort des exosquelettes. Pour ce faire, différentes voies de recherche seront envisagées. La première consistera à travailler l'apprentissage progressif et intuitif de trajectoires pour l'exosquelette, en poursuivant des travaux déjà menés dans le laboratoire d'accueil, et en prenant en compte des caractéristiques de mouvement humain comme critère d'optimisation du confort de l'interaction homme/exosquelette. La seconde thématique concernera la détection précoce, voire l'anticipation, de l'intention motrice de l'utilisateur, via l'utilisation de capteurs embarqués. On étudiera notamment comment rendre l'exosquelette plus transparent en exploitant des modèles prédictifs des trajectoires du bras humains. Finalement, le problème de la co-adaptation sera également traité pour concevoir des lois de commande adaptatives. Une des idées sous-jacentes est par exemple ici de caractériser en temps réel l'interaction homme/exosquelette afin d'essayer de l'assister progressivement et ainsi lui offrir une assistance plus douce et confortable.

Télécharger l'offre (.zip)

Apprentissage d'un détecteur à classe paramétrable via modèle 3D

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire Vision et Apprentissage pour l'analyse de scènes

Master 2 Recherche, traitement de l'image, vision par ordinateur, apprentissage par ordinateur, apprentissage profond

01-10-2021

SL-DRT-21-1071

bertrand.luvison@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les détecteurs d'objet ont connu une amélioration très significative grâce à la démocratisation des réseaux de neurones. Il est maintenant simple de détecter un type d'objet du moment que l'on dispose d'un ensemble d'images représentant cet objet dans diverses conditions. Ces ensembles d'images existent pour quelques classes d'objet (21 classes dans PascalVOC, 80 dans COCO, etc) mais en pratique, il est souvent nécessaire des créer des « datasets » spécifiques et de profiter des techniques de « fine-tuning » ou de « transfer learning » pour spécifier un réseaux déjà appris. La constitution de ce « dataset » est d'une part excessivement fastidieuse et d'autre part la flexibilité de ce genre de modèle à l'ajout d'une classe est quasi nulle car il est nécessaire de repasser par une phase d'apprentissage complète sur le « dataset » augmenté. Le challenge de cette thèse sera de s'affranchir de cette contrainte d'ensemble fixe de classe détectable. Formuler ainsi, le problème pourrait s'apparenter à un problème de « Zero-Shot Learning », mais ce genre de modélisation cherche en général à s'appuyer sur une connaissance sémantique auxiliaire, comme par exemple une définition par attribut pour contrôler la description d'une image même lorsque l'image concerne un objet jamais vu a l'apprentissage. Ce genre d'approche repose donc sur la constitution d'une connaissance plus descriptive afin de pouvoir faire le lien avec les définitions sémantiques tel que nous les concevons dans les dictionnaires. L'objet de cette thèse n'est pas d'aborder le problème sous cet angle, mais plutôt d'être en mesure de fournir en paramètre les types d'objet que l'on souhaite reconnaître par le biais de modèle 3D. Il ne s'agit pas de construire une connaissance sémantique représentative de l'ontologie qui nous entoure mais plutôt d'apprendre à un réseau comment retrouver dans une image, n'importe quelle forme 3D préalablement défini, à l'instar des anciens algorithmes de « template matching » mais cette fois-ci avec tout l'apport et la puissance des réseaux de neurones pour pouvoir détecter plusieurs type d'objet simultanément.

Télécharger l'offre (.zip)

Détection non-supervisée d'objets mobiles dans des données vidéos monoculaires

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire Vision et Apprentissage pour l'analyse de scènes

Ingénieur, Master 2

01-09-2021

SL-DRT-21-1072

camille.dupont@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les techniques traditionnelles de détection d'objet par apprentissage supervisé nécessitent une quantité importante de données d'apprentissage. Ce constat motive depuis plusieurs années la communauté scientifique à investiguer des méthodes d'apprentissage avec la plus faible supervision possible. Dans ce contexte, on remarque une popularité croissante de l'apprentissage auto-supervisé qui génère de manière automatique les annotations d'apprentissage en exploitant les relations entre les signaux d'entrée. Parmi les tâches phares pouvant tirer parti de l'apprentissage, on note surtout des tâches bas-niveaux peu sémantisées telles que l'estimation de flot optique, l'estimation de la profondeur à partir de vidéo monoculaires ou des tâches de pré-apprentissage. L'objectif de cette thèse est d'aller encore plus loin dans l'exploitation de cette famille d'apprentissage dans un contexte de détection d'objets. Plus particulièrement, le travail attendu dans la thèse est de concevoir un modèle de détection d'objet entraîné à partir de données vidéos monoculaires qui pourra ensuite être utilisé dans l'image ou la vidéo pour détecter l'ensemble des classes d'objets présentes dans les données d'entraînement.

Télécharger l'offre (.zip)

Compréhension des mécanismes de dégradation des cellules à oxyde solide par une approche multi-échelle couplant calculs ab-initio et modèles de cinétiques électrochimiques

Département Thermique Conversion et Hydrogène (LITEN)

Laboratoire essais et systèmes

Compétences en mécanique quantique et calculs DFT. Connaissances en physique de la matière condensée et électrochimie des solides seront appréciées.

01-11-2021

SL-DRT-21-1078

maxime.hubert@cea.fr

Solutions avancées pour l?hydrogène et les piles à combustible pour la transition énergétique (.pdf)

Les cellules à oxyde solide (SOCs) sont des convertisseurs électrochimiques fonctionnant à hautes températures qui peuvent être utilisés pour produire soit de l'électricité en mode pile à combustibles (SOFC) ou de l'hydrogène en mode électrolyseur (SOEC). Grâce à un large éventail de cas d'application, cette technologie est susceptible d'offrir de nombreuses solutions innovantes pour assurer la transition vers l'utilisation massive d'énergies renouvelables. Néanmoins, la durée de vie de cette technologie reste à ce jour insuffisante pour envisager son dépoilement industriel. En effet, la durabilité des SOCs est limitée par de nombreux phénomènes physiques se déroulant principalement aux électrodes. Cependant, les mécanismes sous-jacents entrainant cette dégradation restent mal compris à ce jour et dépendent de phénomènes multi-physiques complexes impliquant différentes échelles. Dans la cadre de cette thèse, il est proposé de mettre en ?uvre une modélisation multi physique et multi échelle pour mieux comprendre et élucider le fonctionnement et la dégradation des électrodes SOCs. Pour ce faire, des modèles ab-initio seront développés et ensuite couplés à des modèles électrochimiques déjà disponibles à l'échelle des électrodes. Les simulations permettront de mieux analyser les mécanismes de dégradation et proposer des solutions innovantes pour augmenter la durée de vie des SOCs.

Télécharger l'offre (.zip)

132 (Page 22 sur 22)
first   previous  18 - 19 - 20 - 21 - 22
-->

Voir toutes nos offres