Informations générales
Entité de rattachement
Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.
Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.
Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.
Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :
• La conscience des responsabilités
• La coopération
• La curiosité
Référence
SL-DRF-24-0625
Direction
DRF
Description du sujet de thèse
Domaine
Sciences pour l'ingénieur
Sujets de thèse
Calcul fiable en mémoire et mise en œuvre de réseaux neuronaux stochastiques à très faible consommation d'énergie inspirés de la biologie
Contrat
Thèse
Description de l'offre
La résolution automatisée des tâches cognitives repose principalement sur des algorithmes d'apprentissage appliqués aux réseaux neuronaux qui, lorsqu'ils sont exécutés sur des architectures numériques CMOS standard, entraînent une consommation d'énergie supérieure de plusieurs ordres de grandeur à celle dont le cerveau aurait besoin. En outre, les solutions conventionnelles de réseaux neuronaux Edge ne peuvent fournir que des prédictions de sortie et ne sont pas en mesure de transmettre avec précision l'incertitude des prédictions en raison de leurs paramètres déterministes et des activations des neurones, ce qui donne lieu à des prédictions trop sûres. Pouvoir modéliser et calculer l'incertitude d'une prédiction donnée permet à l'utilisateur de prendre de meilleures décisions (par exemple, dans les processus de classification ou de prise de décision) qui peuvent donc être expliquées, ce qui est crucial dans une variété d'applications, telles que les tâches critiques pour la sécurité (par exemple, les véhicules autonomes, le diagnostic et le traitement médicaux, la robotique industrielle et les systèmes financiers). Le réseau neuronal probabiliste est une solution possible pour traiter la prédiction de l'incertitude. En outre, la consommation d'énergie peut être considérablement réduite en utilisant des systèmes informatiques matériels dont les architectures s'inspirent de modèles biologiques ou physiques. Ils sont principalement basés sur des nanodispositifs imitant les propriétés des neurones telles que l'émission de pointes stochastiques ou synchrones. De nombreuses propositions théoriques ont montré que les dispositifs spintroniques nanométriques (MTJ) sont particulièrement bien adaptés. Ils peuvent être utilisés comme composants stochastiques ou déterministes.
Université / école doctorale
Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Université Grenoble Alpes
Localisation du sujet de thèse
Site
Grenoble
Critères candidat
Formation recommandée
Master 2
Demandeur
Disponibilité du poste
01/02/2024
Personne à contacter par le candidat
ANGHEL Lorena lorena.anghel@grenoble-inp.fr
Grenoble INPG
Laboratoire SPINTEC
06 82 31 26 47
Tuteur / Responsable de thèse
ANGHEL Lorena lorena.anghel@grenoble-inp.fr
Grenoble INPG
Laboratoire SPINTEC
06 82 31 26 47
En savoir plus
https://www.spintec.fr/research/spintronic-ic-design/