Direction scientifique
Transfert de connaissances vers l'industrie

Les Post-Docs par thème

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

Voir toutes nos offres

Circuits hybrides CMOS / spintronique pour le calcul d'optimisation

Département Composants Silicium (LETI)

Laboratoire Dispositifs Quantiques et Connectivité

Doctorat en micro/nanoélectronique ou physique

01-01-2021

PsD-DRT-21-0025

louis.hutin@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le sujet proposé s'inscrit dans le contexte de la recherche d'accélérateurs hardware pour la résolution de problèmes d'optimisation NP-difficiles. De tels problèmes, dont la résolution exacte en temps polynomial est hors de portée des machines de Turing déterministes, trouvent des applications dans divers 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. L'approche considérée s'inspire du modèle d'Ising, et repose sur l'évolution de la configuration des états binaires d'un réseau de neurones artificiels. Dans le but d'améliorer la précision du résultat ainsi que la vitesse de convergence, les éléments du réseau peuvent bénéficier d'une source d'aléas intrinsèque ajustable. Des preuves de concept récentes soulignent l'intérêt de matérialiser de tels neurones via la résistance de jonctions superparamagnétiques. Les objectifs principaux sont la simulation, le dimensionnement puis la fabrication de réseaux d'éléments hybrides associant la circuiterie CMOS à des jonctions tunnel magnétiques. Les véhicules de test seront ensuite caractérisés en vue de démontrer leur fonctionnalité. Ces travaux s'effectueront dans le cadre d'une collaboration scientifique entre le CEA-Leti et Spintec.

Télécharger l'offre (.zip)

Optimisation combinatoire des matériaux de base dans le cadre du design de nouveaux matériaux

Département Métrologie Instrumentation et Information (LIST)

Laboratoire Intelligence Artificielle et Apprentissage Automatique

doctorat en informatique, recherche opérationnelle ou IA

01-02-2021

PsD-DRT-21-0057

jean-philippe.poli@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le design de nouveaux matériaux est un domaine qui connait un intérêt croissant, notamment avec l'apparition des procédés de fabrication additive, de dépôt de couches minces, etc. Afin de créer de nouveaux matériaux dans le but de cibler des propriétés intéressantes pour un domaine d'application, il est souvent nécessaire de mélanger plusieurs matières premières. Une modélisation physico-chimique des réactions qui se produisent lors de ce mélange est souvent très difficile à obtenir, d'autant plus lorsque le nombre de matières premières augmente. Nous souhaitons nous affranchir autant que possible de cette modélisation. A partir de données expérimentales et de connaissances métiers, le but de ce projet est de créer une IA symbolique capable de chercher à tâtons quel est le mélange optimal pour atteindre une ou plusieurs propriétés données. L'idée est d'adapter des méthodes existantes de recherche opérationnelle, comme l'optimisation combinatoire, dans un contexte de connaissances imprécises. Nous nous intéresserons à différents cas d'usage comme les batteries électriques, les solvants pour cellules photovoltaïques et les matériaux anti-corrosion.

Télécharger l'offre (.zip)

Application d'une approche IDM à la planification basée sur l'IA pour les systèmes robotiques et autonomes

Département Ingénierie Logiciels et Systèmes (LIST)

Labo.conception des systèmes embarqués et autonomes

Docteur en Informatique

01-05-2020

PsD-DRT-20-0063

matteo.morelli@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

La complexité de la robotique et des systèmes autonomes ne peut être gérée qu'avec des architectures logicielles bien conçues et des chaînes d'outils intégrées qui supportent l'ensemble du processus de développement. L'ingénierie dirigée par les modèles (IDM) est une approche qui permet aux développeurs de la robotique et des systèmes autonomes de passer d'un paradigme centré implémentation à un paradigme centré connaissances du domaine ce qui permet d'améliorer l'efficacité, la flexibilité et la séparation des préoccupations des différents acteurs du développement de ce type de système. L'un des principaux objectifs des approches IDM est d'être intégré aux infrastructures de développement disponibles de la communauté robotique et systèmes autonomes, telles que le middleware ROS, ROSPlan pour la planification des tâches robotiques, BehaviorTree.CPP pour leur exécution et suivi et Gazebo pour la simulation. L'objectif de ce postdoc est d'étudier et de développer des architectures logicielles modulaires, composables et prédictibles ainsi que des outils de conception interopérables basés sur des approches basées sur des modèles, au lieu d'être centrées sur le code. Le travail sera réalisé dans le cadre de projets européens tels que RobMoSys (www.robmosys.eu), ainsi que dans d'autres initiatives pour les systèmes robotiques et autonomes sur la planification des tâches basée sur l'IA et leur exécution. Le principal objectif est de réduire les efforts des ingénieurs et de permettre ainsi le développement de systèmes robotiques autonomes plus avancés et plus complexes à un coût abordable. Pour ce faire, le post-doctorant contribuera à la mise en place et à la consolidation d'un écosystème, d'une chaîne d'outils et d'une communauté dynamique qui offriront un cadre unifié de conception, de planification et simulation, d'évaluation de la sécurité et un environnement formel de validation et de vérification.

Télécharger l'offre (.zip)

Développement d'algorithmes d'apprentissage fédéré décentralisés et robustes aux attaques

Département Métrologie Instrumentation et Information (LIST)

Laboratoire Intelligence Artificielle et Apprentissage Automatique

Thèse (PhD) en apprentissage automatique

01-09-2021

PsD-DRT-21-0091

meritxell.vinyals@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le sujet proposé s'inscrit dans le cadre du projet FANTASTYC (projet Carnot interne CEA) qui rassemble des chercheurs en IA sur la technologie distribuée, la confidentialité et l'apprentissage automatique dans le but de développer des logiciels pour un apprentissage fédéré décentralisé, respectueux de la vie privée et résilient. Plus en détail, le premier objectif est d'envisager une version entièrement décentralisée de l'apprentissage fédéré, en remplaçant la communication avec le serveur par une communication peer-to-peer entre des clients individuels sur un certain graphe de communication. Ce faisant, le postdoctorant devra relever certains des défis ouverts imposés par le passage à l'apprentissage décentralisé, notamment : (1) la conception, la spécification et la mise en ?uvre de protocoles d'apprentissage décentralisé tenant compte des ressources de communication et calcul ; et (2) l'optimisation du compromis entre les modèles génériques et les modèles personnalisés en fonction des disparités observées entre les distributions des données disponibles pour les différents clients (par exemple, utiliser des modèles différents selon les groupes de participants). Un autre axe de travail consistera à étudier la robustesse de l'apprentissage fédéré distribué face à la présence de participants malveillants (i.e. attaques byzantines)

Télécharger l'offre (.zip)

Sûreté et assurance des systèmes basés Intelligence Artificielle

Département Ingénierie Logiciels et Systèmes (LIST)

Labo.conception des systèmes embarqués et autonomes

Bac+8 informatique

01-10-2020

PsD-DRT-20-0110

morayo.adedjouma@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le poste est lié à l'évaluation de la sûreté et à l'assurance des systèmes basé IA (Intelligence Artificielle). Actuellement, pour un système n'utilisant pas des composants d'apprentissage automatique, la sûreté fonctionnelle est évaluée avant le déploiement du système et les résultats de cette évaluation sont compilés dans un dossier de sécurité qui reste valable pendant toute la durée de vie du système. Pour les nouveaux systèmes intégrant des composants d'IA, en particulier les systèmes auto-apprenants, une telle approche d'ingénierie et d'assurance n'est pas applicable car le système peut présenter un nouveau comportement face à des situations inconnues pendant son fonctionnement. L'objectif du post-doc sera de définir une approche d'ingénierie pour effectuer une évaluation de la sûreté des systèmes basés IA. Un deuxième objectif est de définir les artefacts du dossier d'assurance (objectifs, preuves, etc.) pour obtenir et préserver une confiance justifiée dans la sûreté du système tout au long de sa durée de vie, en particulier pour les systèmes basés IA à apprentissage opérationnel. L'approche sera mise en ?uvre dans un framework open-source qui sera évaluée sur des applications industrielles. Le titulaire du poste rejoindra une équipe de recherche et développement dans un environnement très stimulant avec des opportunités uniques de développer un solide portefeuille technique et de recherche. Il devra collaborer avec des partenaires académiques et industriels, contribuer et gérer des projets nationaux et européens, préparer et soumettre du matériel scientifique pour publication, fournir des conseils aux doctorants.

Télécharger l'offre (.zip)

Machine learning et simulateur pour l'estimation d'état d'un processus dynamique

Département Métrologie Instrumentation et Information (LIST)

Laboratoire Science des Données et de la Décision

doctorat en informatique ou mathématique

01-11-2021

PsD-DRT-21-0120

laurence.cornez@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le but est de décrire au mieux l'état réel d'un procédé d'extraction liquide-liquide sur la base des données enregistrées. Or, ces dernières sont, par nature, entachées d'incertitudes et sous l'influence de variables exogènes qui ne sont pas enregistrées ni intégrées dans le jumeau numérique. Il est donc nécessaire de travailler le recollement des données entre la réalité et le simulé par PAREX+, simulateur dédié à ce type de procédé. Le code PAREX+ sera utilisé pour constituer une base conséquente de simulations : à chaque essai de paramètres opératoires (pavage de l'espace) sera associée la réponse dynamique du système. Le réseau de neurones convolutionnel (CNN) cherchera à résoudre le problème inverse : apprendre sur l'ensemble des réponses dynamiques les jeux de paramètres opérationnels possibles. Un enrichissement progressif de la base de données sera effectué dans les zones où le CNN ne sera pas assez performant. Une fois calibré, le CNN sera confronté aux données réelles et modifié pour tenir compte des imperfections des données. La finalité du CNN est d'être capable de bien identifier les paramètres du procédé à chaque pas de temps à des fins de contrôle et de diagnostic en temps réel : la dynamique observée est-elle celle attendue ?

Télécharger l'offre (.zip)

Voir toutes nos offres