Les technologies matérielles non conventionnelles émergentes sont essentielles pour les futures applications d’Edge-AI, mais elles présentent souvent de la variabilité, des désappariements entre composants et une dispersion technologique. Ces non-idéalités peuvent fortement réduire la précision d’inférence des modèles d’IA si aucun réglage fin ou calibrage n’est appliqué. Le fine-tuning supervisé traditionnel est difficile à industrialiser, car il soulève des problèmes liés à la confidentialité des données, à la qualité de service, à la complexité logicielle et aux contraintes matérielles.

Ce sujet de thèse vise à développer des méthodes de co-conception matériel-algorithme permettant d’éviter le réentraînement supervisé complet directement sur la puce. L’objectif principal est de créer des stratégies d’auto-calibrage au niveau de l’inférence, indépendantes de la tâche, capables de compenser les désappariements matériels au niveau système. Le travail s'intéressera les méthodes d’adaptation existantes, notamment celles fondées sur les poids, les caractéristiques, les sorties et l’adaptation de domaine.

Le projet permettra de développer au travers d'une application pertinente d’Edge-AI une méthode générique de fine-tuning et la validera au moyen de simulations électriques bas niveau. Si possible, l'approche proposé pourra également être testé expérimentalement sur une plateforme matérielle basée sur un ASIC.