Direction Scientifique
Transfert de connaissances vers l'industrie
Direction Scientifique
Département Systèmes
Laboratoire Sécurité des Objets et des Systèmes Physiques
Master II en Cryptographie ou Data science ou Ecole d'Ingénieur
01-09-2019
SL-DRT-19-0385
antoine.loiseau@cea.fr
Cette étude prend place dans le domaine de la sécurisation des systèmes embarqués et tout particulièrement de la cryptographie asymétrique face aux attaques par canaux auxiliaires horizontales et à base de Templates. Des études récentes, appliquées à la cryptographie symétrique, ont permis de construire de nouvelles techniques d'attaques par canaux auxiliaires, notamment contre des implémentations sites sécurisées. En améliorant l'efficacité des attaques par Templates, ces nouvelles attaques permettent de passer outre des contremesures de masquage. Il semble opportun d'étudier en profondeur les attaques par Templates et horizontales dans le cadre de cryptographie asymétrique. Cette thèse fait suite aux travaux d'Antoine Loiseau sur les Binary Edwards Curves (BEC). Ces travaux ont montré que ce modèle de courbes elliptiques a des propriétés intrinsèques de sécurité face aux attaques par canaux auxiliaires. Cependant des résultats ont montré certaines faiblesses face aux nouvelles attaques par Template. Le but principal de cette thèse est d'évaluer les propriétés des BECs face aux nouvelles attaques par Templates et Horizontales qui font appel aux machine learning. En fonction des résultats obtenus de nouvelles contremesures devront être mises au point afin de pallier à ces nouveaux biais d'attaques.
Département Systèmes
Laboratoire Antennes, Propagation, Couplage Inductif
Master
01-09-2019
SL-DRT-19-0386
loic.marnat@cea.fr
Les systèmes de communication (e.g. 5G) ou de radar (e.g. automobile) millimétriques requièrent des antennes directives afin de compenser les pertes en transmission et des antennes larges bandes pour assurer, suivant l'application visée, un débit important ou une résolution fine. L'agilité du rayonnement devient donc un point clé. Les antennes réseaux offrent des avantages indéniables avec un compromis entre un nombre d'éléments rayonnants et un nombre de circuits actifs pour atteindre les performances requises en matière de formation de faisceau et de puissance rayonnée (dans un facteur de forme imposé par le système cible). Néanmoins, les règles de conception classiques liées à l'agencement des éléments peuvent être un frein pour l'intégration du réseau dans un certain nombre d'applications et aboutissent généralement à des bandes passantes et des gammes de dépointage relativement réduites. L'objectif de cette thèse est de s'affranchir de ces limitations et concevoir des réseaux plus compacts tout en assurant des performances exceptionnelles en matière de bande de fonctionnement et de gamme de dépointage. Pour cela, les études porteront sur la mise en réseau d'éléments miniatures fortement couplés. La compréhension et la modélisation de ces réseaux compacts passeront par : - L'état de l'art sur les antennes réseaux à éléments couplés large bande, - L'étude théorique du fonctionnement d'éléments couplés et les lois régissant leurs couplages, - La conception d'éléments miniatures ultra-large bande et leurs mises en réseau. Les choix technologiques viseront une solution bas coût. - Réalisation et mesures d'un prototype sur la bande Ka. Cette thèse aboutira à la réalisation de prototypes actifs peu encombrants et larges bandes comparé à l'état de l'art. Ceci ouvrira la voie à l'utilisation de réseaux d'antennes performants et facilement intégrable pour des applications avec des environnements complexes et contraints du type terminaux et points d'accès 5G ou radars automobiles millimétriques, ou encore pour des antennes spatiales avancées.
Département Architectures Conception et Logiciels Embarqués (LIST-LETI)
Laboratoire Calcul Embarqué
Master 2 avec spécialité en deep learning
01-01-2019
SL-DRT-19-0393
david.briand@cea.fr
Les réseaux de neurones récurrents ? et notamment la variante Long-Short Term Memory (LSTM) ? sont aujourd'hui à l'état de l'art dans de nombreux problèmes de classification de séquences temporelles et notamment les applications de reconnaissance vocale (à partir de 2015 pour Android) et de traduction (à partir de 2016 chez Google, Apple et Facebook). Ce type d'algorithme a également été appliqué avec succès pour des applications telles que la reconnaissance d'évènement audio, le débruitage, la modélisation du langage, la génération de séquences etc. Le succès que connaissent aujourd'hui ces approches se fait toutefois au prix de puissance de calcul extrêmement importante. Ainsi, la plupart de ces algorithmes sont exécutés sur le Cloud et non sur l'Edge. En outre, les réseaux récurrents sont très sensibles aux paramètres d'apprentissage et peuvent être difficile à faire converger du fait que les gradients interne à leur structure récurrente peuvent facilement exploser ou au contraire se réduire à zéro. De ce fait, l'adaptation de ces algorithmes pour une implémentation embarquée n'est pas simple, car la récurrence implique une précision élevée et en partie séquentielle (latence importante) des calculs. Certaines techniques visant à contourner ces difficultés commencent à émerger mais restent encore relativement confidentielles. Parmi elles, une technique non récurrente permettant de réaliser un traitement de séquences et présentant donc moins de contraintes que les réseaux LSTM semble prometteuse : les réseaux hiérarchiques. Les réseaux de convolution temporels (TCN) en sont une application. Les avantages et inconvénients de ce modèle notamment sont mis en évidence dans « An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling » (Shaojie Bai, J. Zico Kolter, Vladlen Koltun). Une implémentation basique de chacune des structures révèle que les TCN sont plus efficaces dans la quasi-totalité des cas référents. Les gradients internes sont beaucoup plus stables et les calculs sont facilement parallélisables du fait de l'élimination de la récurrence.
Département Ingénierie Logiciels et Systèmes (LIST)
Labo.conception des système embarqués et autonomes
Diplôme de niveau Master (M2) dans une discipline en informatique
01-01-2019
SL-DRT-19-0401
shuai.li@cea.fr
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.
Département Systèmes
Laboratoire Antennes, Propagation, Couplage Inductif
Ingénieur ou Master II avec option hyperfréquences
01-06-2019
SL-DRT-19-0406
jean-francois.pintos@cea.fr
Les métamatériaux sont étudiés par la communauté scientifique depuis plusieurs années avec une attention particulière sur les méta-motifs 2D ou 3D. Dans le domaine des antennes, ces matériaux structurés ont été principalement utilisés comme surface magnétiques, surfaces filtrantes pour les ondes de surfaces ou antenne elle-même. Le principal inconvénient de ces matériaux est son comportement bande étroite. Des recherches récentes ont démontrées qu'il était possible de modifier la réponse des métasurfaces en rajoutant sur les motifs, un film sensible à une tension de commande ou en disposant des composants actifs entre eux. Plus récemment le CEA Leti a développé une nouvelle approche, à travers une thèse, afin de modifier les performances d'une métasurface, en insérant des moyens de contrôles sur sa face arrière ainsi que sur l'excitateur. La proposition, ici faite, s'inscrit dans la continuité de ces travaux, entamés au sein du laboratoire LAPCI, avec un développement spécifique autour des métasurfaces massivement accordables. En effet, il a été démontré que le couple métasurface/excitateur devait faire l'objet d'une conception/optimisation conjointe lorsque la métasurface et/ou l'excitateur étaient compacte voire miniature. L'objet de cette thèse est d'étudier cette interaction à travers la notion d'impédance de charge et de réaliser un démonstrateur final d'une métasurface reconfigurable de plusieurs centaines d'éléments actifs. L'intérêt majeur est d'envisager l'usage de métamatériau ultracompact réglable afin de miniaturiser l'encombrement d'une antenne placée à proximité d'un plan réflecteur. Le deuxième point majeur concerne la possibilité de contrôler en fonction de la fréquence le dispositif complet (par nature bande très étroite) sur une bande de fréquence de plusieurs dizaines de pourcent. Durant cette thèse le/la doctorant(e) sera amené(e) à développer la modélisation théorique du dispositif proposé et validera les performances attendues à travers des campagnes de simulations électromagnétiques 2D et/ou 3D. Il/elle sera en charge de faire réaliser les démonstrateurs retenus et effectuera les mesures des dispositifs dans les moyens d'essais du CEA-Leti et/ou du CNES (chambre anéchoïde). Le/la doctorant(e) sera intégré(e) au sein du Laboratoire Antenne, Propagation et Couplage Inductif à Grenoble. Il/elle fera partie de l'équipe de recherche (permanent, doctorants et non permanents) et sera encadrée par un ingénieur-chercheur du laboratoire. Le/la doctorant(e) sera amené à présenter ses travaux lors de congrès et colloques nationaux et internationaux.
Département Thermique Biomasse et Hydrogène (LITEN)
Laboratoire Stockage Thermique
Master II
01-10-2019
SL-DRT-19-0408
arnaud.bruch@cea.fr
Le rendement de conversion des systèmes de production d'électricité à partir de chaleur est très fortement impacté par la température de refroidissement de ces cycles thermodynamiques. Ceci est encore plus vrai pour les systèmes dont le refroidissement est réalisé au moyen de systèmes dits "secs" sans consommation d'eau et dont les performances varient fortement avec les conditions ambiantes. Les contraintes réglementaires croissantes sur la consommation d'eau et les perspectives de réchauffement climatiques amènent à chercher des solutions innovantes permettant de booster les performances de systèmes de refroidissement secs. La thèse proposée est basée sur une solution innovante de stockage couplé de chaleur et d'humidité pour améliorer les performances d'un système de refroidissement sec. La fraicheur et l'humidité de la nuit sont stockées au sein d'un milieu granulaire de matériau sensible et adsorbant pour permettre le refroidissement de l'air ambiant en journée. Le refroidissement est réalisé par désorption et convection. La thèse se focalise sur l'étude expérimentale et numérique de ce système de stockage couplé chaleur/humidité au travers d'une installation expérimentale COOL-STO fonctionnelle et d'un modèle numérique à compléter, valider et exploiter. Une analyse et étude phénoménologiques seront menées pour appréhender le comportement du stockage et permettre un pilotage et une intégration optimale en parallèle à des systèmes de refroidissement secs.
