Direction scientifique
Transfert de connaissances vers l'industrie

Nos Thèses par thème

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

Traitement de séries temporelles par IA pour les capteurs intelligents

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire Infrastructure et Ateliers Logiciels pour Puces

Master de recherche ou diplome d'ingénieur en IA

01-10-2020

SL-DRT-20-0261

marielle.malfante@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Un capteur est aujourd'hui un dispositif utilisé pour acquérir des données de modalité fixe (acoustique, pression, image, etc.). Ces données sont ensuite stockées avant d'être traitées par machine learning par exemple, en vue d'en extraire des informations pertinentes. Un très grand nombre de capteurs et de cas applicatifs peuvent être considérés : ? Microphones pour la classification automatique de scènes acoustiques, ? Capteurs de pression pour l'étude de la déformation et maintenance d'édifices architecturaux, ? Sismomètres pour l'étude de signaux précurseurs à des séismes, ou à des éruptions volcaniques, ? Bracelets connectés pour la détection de phases de stress, ? Etc. L'un des enjeu actuel est de pouvoir créer et designer des capteurs intelligents (smart sensors, Fig 1), c'est-à-dire des capteurs où la sortie serait directement l'information recherchée, et non plus le signal brut. Les smart sensors sont aujourd'hui un enjeu dans de nombreux domaines, en particulier quand les capteurs doivent fonctionner en autonomie et dans des environnements isolés, c'est-à-dire sous contrainte d'énergie et de capacités de stockage. C'est par exemple le cas lors de l'étude de paysages acoustiques pour la surveillance environnementale (forêts, zones sous-marines, etc). L'IoT et les capteurs de type « wearable » sont également des domaines visés. De nombreux points techniques sont à aborder pour passer d'un capteur traditionnel à un capteur intelligent. Le design de méthodes d'intelligence artificielle efficace pour le traitement des données, tout en étant suffisamment légères en termes calculatoires et énergétique est un premier challenge. Le design de ces mêmes méthodes à partir de jeux de données peu ou faiblement labélisées en est un autre. Le CEA mène déjà des études dans ce sens, et la pertinence de certains outils d'intelligence artificielle est évidente. Cette thèse se focalise sur les capteurs enregistrant des séries temporelles : stations inertielles, microphones, bracelets connectés, etc. Le c?ur du sujet est de travailler sur des méthodes d'IA pour les séries temporelles, dans un (ou plusieurs?) contexte applicatif. Le sujet s'inscrit dans une thématique plus globale concernant la fiabilité de l'IA (détection d'anomalies, détection d'événement non présents au cours de l'apprentissage), ainsi que le développement de méthodes d'IA performantes sous contrainte de labélisation. Le sujet est ambitieux et plusieurs voies de développement sont ouvertes.

Télécharger l'offre (.zip)

IA embarquée pour l'interprétation sémantique d'un modèle d'environnement probabiliste

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire Infrastructure et Ateliers Logiciels pour Puces

Master de recherche ou diplome d'ingénieur

01-10-2020

SL-DRT-20-0291

tiana.rakotovao@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Dans le cadre général du véhicule autonome, la problématique de perception et modélisation de l'environnement est primordiale. Comment représenter l'environnement immédiat du véhicule ? Comment détecter et identifier les différents obstacles ? Les zones libres, praticables et sécurisées pour le véhicule ? Comment prédire l'état de l'environnement à un instant futur ? Quelle combinaison de capteurs est optimale pour parvenir à une modélisation et description exhaustive de l'environnement ? Aujourd'hui ces questions ont toutes des ébauches de réponses, mais restent ouvertes. La contrainte de l'embarquabilité des solutions proposées est par ailleurs très forte, et est aujourd'hui au c?ur des préoccupations du CEA. Quels traitements des données capteurs sont envisageables en embarqués ? Le formalisme de Grille d'Occupation présente plusieurs avantages pour représenter et modéliser l'environnement d'un véhicule. Plusieurs capteurs de modalité différentes viennent alimenter la grille, chaque modalité apportant une information spécifique. L'infra-rouge est ainsi particulièrement efficace de nuit, le lidar particulièrement performant pour voir à 360° mais est limité en conditions d'intempéries auquel cas un radar sera plus adapté. A contrario l'ultrason est souvent utilisé pour analyser les très faibles distances. Des méthodes basées sur la fusion bayésienne ont été développées au sein du CEA pour produire SigmaFusion, un outil permettant de fusionner les informations issues de différents capteurs et de produire une grille d'occupation évoluant au cours du temps. L'un des points forts de SigmaFusion réside en l'optimisation calculatoire, rendant ainsi la technologie particulièrement efficace et compétitive sous de fortes contraintes d'intégration embarquée (intégration bas-coût et basse consommation sur des microcontrôleurs qualifiés pour les tâches critiques pour l'automobile). Une question actuellement en cours de développement consiste à utiliser des méthodes embarquées d'intelligence artificielle afin d'analyser la sémantique des grilles d'occupation. Quelles sémantiques pourront être estimées en appliquant des méthodes IA sur des successions de grilles d'occupation ? Peut-on détecter automatiquement, en temps réel, et à faible coût énergétique et calculatoire les objets évoluant dans la scène (piétons, cycliste, voitures, etc.) ? Cette question et le développement des solutions adaptées sont le sujet de cette thèse.

Télécharger l'offre (.zip)

Imagerie sans lentille et intelligence artificielle pour un diagnostic rapide des infections

Département Microtechnologies pour la Biologie et la Santé (LETI)

Laboratoire Systèmes d'Imagerie pour le Vivant

Master 2 biologie, data intelligence

01-10-2020

SL-DRT-20-0518

caroline.paulus@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

L'objectif de la thèse est de développer une technologie portable d'identification des pathogènes. En effet, dans un contexte d'extension des déserts médicaux et de recrudescence des infections antibiorésistantes, il est urgent de développer des techniques innovantes pour le diagnostic rapide des infections en milieu isolé. Parmi les techniques optiques d'identification des pathogènes, les méthodes d'imagerie sans lentille occupent une place particulière car elles sont les seules à l'heure actuelle à pouvoir proposer une caractérisation simultanée d'un grand nombre de colonies, le tout avec une technologie bas coût, portable et peu énergivore. L'objectif de la thèse est d'explorer les potentialités de l'imagerie sans lentille associée à des algorithmes d'intelligence artificielle pour identifier rapidement les colonies bactériennes présentes dans un liquide biologique. La thèse visera à optimiser le dimensionnement du système imageur (sources, capteurs) et à étudier des algorithmes de traitement d'images et d'apprentissage machine nécessaires pour l'identification des colonies. Deux cas d'applications cliniques seront étudiés.

Télécharger l'offre (.zip)

Sémantique formelle d'une infrastructure de compilation matériel

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire composants logiciels pour la Sûreté et la Sécurité des Systèmes

Bac+5 engineer ou Master degree in computer science or formal methods

01-10-2020

SL-DRT-20-0540

Mihail.Asavoae@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le développement du jeu d'instruction RISC-V est supporté par la conception et l'utilisation de nouvelles méthodes et outils dédiés à l'augmentation du niveau de productivité de la conception d'architectures matérielles (i.e. langage de plus haut niveau pour la conception matériel et chaîne de compilation spécialisée). Au niveau langage, les langages de description matériel tels que Chisel et FIRRTL ont pour but d'augmenter le niveau d'abstraction utilisé dans la conception d'architectures matérielles. Il devient donc intéressant et nécessaire de raisonner formellement sur les propriétés fonctionnelles et temporelles de ces conceptions matérielles exprimées à plus au haut niveau et de s'appuyer sur des extensions appropriées de l'infrastructure de compilation matériel pour transférer ces propriétés de haut niveau vers, par exemple, le code Verilog généré. Dans cette proposition de thèse, nous visons la définition d'un environnement de vérification des architectures matérielles permettant de spécifier et vérifier des propriétés de sécurité mais aussi de sûreté temporel. Les deux contributions attendues de ce thèse sont : 1) la conception et l'implémentation d'une infrastructure de vérification basée sur une sémantique formelle exécutable des langages Chisel et FIRRTL et 2) la conception et l'implémentation d'un langage d'assertion pour exprimer des propriétés de sécurité et de sûreté temporel qui seront ensuite vérifiées sur l'infrastructure formelle développée précédemment. Les contributions scientifiques de cette thèse seront évaluées sur une sélection d'architectures matérielles issues du riche eco-système RISC-V.

Télécharger l'offre (.zip)

Composants à base de jonctions tunnel ferroélectriques (FTJs) pour applications mémoires et circuits neuromorphiques ultra-basse consommation

Département Composants Silicium (LETI)

Laboratoire de Composants Mémoires

Master de recherche en matériaux et dispositifs semiconducteurs / quantiques

01-10-2020

SL-DRT-20-0635

laurent.grenouillet@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Depuis la découverte de la ferroélectricité dans le HfO2 il y a une dizaine d'années, ce matériau suscite beaucoup d'intérêt pour stocker de manière non volatile de l'information dans des mémoires ultra faible consommation, via l'application d'un champ électrique pour renverser sa polarisation électrique. Plus récemment encore, des résultats préliminaires de jonctions tunnel ferroélectriques ont été démontrés avec ce type de matériau scalable et compatible CMOS. Dans ce dernier cas la couche ferroélectrique permet de moduler, en fonction de sa polarisation, le courant tunnel qui passe au travers de la jonction, ouvrant de nombreuses perspectives pour ces nouveaux dispositifs. L'objectif de la thèse sera de fabriquer, caractériser, et modéliser des jonctions tunnels ferroélectriques à base de HfO2, afin de mieux comprendre la physique de ces dispositifs, puis d'en optimiser leur performance. Dans un second temps, ces dispositifs optimisés seront co-intégrés en matrice au sein de circuits CMOS complexes, dans le but de les utiliser comme synapses artificielles dans un processeur neuromorphique très basse consommation. Ce travail s'effectuera avec des partenaires européens dans le cadre du projet H2020 BeFerroSynaptic.

Télécharger l'offre (.zip)

Apprentissage robuste et distribué de flux de données basé sur des systèmes multi-agents dans un environnement collaboratif

Département Métrologie Instrumentation et Information (LIST)

Laboratoire Intelligence Artificielle et Apprentissage Automatique

Ingenieur/Master 2 en Artificial Intelligence (Machine Learning) avec de bonnes compétences en programmation

01-09-2019

SL-DRT-20-0665

sandra.garciarodriguez@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Actuellement, les flux de données sont présents dans de plus en plus d'applications et de domaines où la réactivité et la vitesse sont primordiales. Des axes de recherche ouverts concernent la création et le traitement de ces flux, en particulier dans des environnements distribués, hétérogènes et collaboratifs. En effet, les systèmes existants ne disposent généralement pas des moyens nécessaires pour collaborer, négocier, partager ou valider des flux de données dans ce type d'environnements hétérogènes. Les systèmes multi-agents donnent accès à certaines de ces fonctionnalités, mais il reste cependant encore beaucoup à faire pour les adapter aux caractéristiques des flux de données. L'objectif principal du sujet proposé consiste à utiliser des agents collaboratifs pour gérer des flux de données et faire face à différents défis tels que la gestion de flux non synchronisés provenant de différentes sources, l'augmentation de la robustesse des modèles en ligne qui traitent de tels flux (pour les rendre robustes à des modifications inattendues de l'environnement) et la génération de nouvelles métriques pour évaluer les besoins mentionnés précédemment. Ce travail s'appuiera sur la plateforme "Streamer" déjà existante dans le laboratoire.

Télécharger l'offre (.zip)

Apprentissage continu pour des base de données multimodales

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire Infrastructure et Ateliers Logiciels pour Puces

ingénieur et/ou master IA/ sciences cognitives

01-01-2020

SL-DRT-20-0686

marina.reyboz@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Comme tout système embarqué, l'edge IA se connecte à son environnement, via des capteurs et éventuellement des actionneurs. Il doit gérer une variété d'entrées de capteurs, dans un environnement multimodal. Bien qu'il existe déjà plusieurs réseaux de neurones artificiels (ANN), chacun d'entre eux gérant une modalité spécifique, la construction d'un ANN pour la multimodalité reste un énorme défi. Dans l'état de l'art international, il a été montré avec un réseau neuronal impulsionnel faisant de classification d'images et de son (ensemble de données MNIST + son), une amélioration du taux de reconnaissance ainsi qu'une meilleure robustesse. Le défi est donc de trouver une approche générique, capable de prendre en compte les ANNs spécifiques à chaque modalité et de les intégrer dans un ANN multimodal. Un autre défi pour l'edge IA est la capacité de s'adapter à une nouvelle situation, par exemple, un utilisateur donné ou un environnement spécifique. En effet, un algorithme d'IA, même s'il a été formé sur une grande base de données, doit pouvoir s'adapter. Nous appellerons cela la personnalisation. Le défi est le suivant : comment un ANN, formé sur une base de données initiale, pourrait-il être affiné pour un cas d'utilisation spécifique (par exemple, un utilisateur donné, un environnement spécifique) ? A partir d'un modèle bio-inspiré d'apprentissage incrémental fonctionnant pour une modalité, la deuxième partie de la thèse s'attachera à coupler les aspects multimodal et personnalisation.

Télécharger l'offre (.zip)

Modulation des niveaux de résistance dans une mémoire PCM pour des applications neuromorphiques

Département Composants Silicium (LETI)

Laboratoire de Caractérisation et Test Electrique

Master 2 Electronique ou Physique

01-03-2020

SL-DRT-20-0740

carlo.Cagli@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Depuis les dernières 50 années, les processeurs sont basés sur l'architecture de von Neumann et les progrès dans l'intégration à très grande échelle ont permis de réaliser cette architecture computationnelle sur un substrat technologique adéquat. Ce binôme n'est plus suffisant aujourd'hui, la miniaturisation des composantes électroniques n'est plus suffisante pour augmenter les performances et réduire la consommation de puissance des architectures classiques de von Neumann. De plus des nouvelles applications, dont l'intelligence artificielle en premier, demandent des changement de paradigme très radicaux. Les nouvelles architectures de calcul inspirées par la biologie ont été récemment proposées pour surmonter ces difficultés. La différence principale entre un circuit neuromorphique et une architecture classique est l'organisation de la mémoire : les réseaux des neurones biologiques sont caractérisés par une co-localisation de la mémoire (synapses) et des centres de calcul (neurones). Les mémoires de type PCM (mémoires à changement de phase sont des candidats pour l'émulation du comportement synaptique, mais démontrer leur capacité à moduler le niveau de résistance programmé est en défis qu'il faut surmonter. Ce programme de thèse a pour but de démontrer la capacité d'une mémoire PCM à émuler une synapse. Un travaille initiale de caractérisation est demandé pour connaitre le comportement de la cellule PCM. Ce résultat ira alimenter un modèle multiniveaux de la cellule ce qui est la base pour la conception de circuit innovants. Dans une dernière phase on pourra proposer des circuits neuromorphiques à base de cellules PCM comme proof of concept.

Télécharger l'offre (.zip)

Spécification formelle des algorithmes d'apprentissage machine

Département Ingénierie Logiciels et Systèmes (LIST)

Laboratoire pour la Sûreté du Logiciel

Master 2 IA ou methodes formelles

SL-DRT-20-0764

zakaria.chihani@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

L'apprentissage machine, en particulier au moyen des réseaux de neurones artificiels, connaît actuellement une expansion impressionnante, pénétrant des domaines allant de l'aide à la conduite à l'assistance juridique ou médicale. Bien que bénéfique en apparence, cette révolution a de quoi inquiéter à mesure qu'elle s'approche d'une application concrète dans les logiciels critiques, car la fragilité de ces techniques d'apprentissage est exposée de plus en plus, notamment face aux perturbations malicieuses. Quelques travaux sont déjà en cours pour adapter les méthodes formelles, utilisées depuis des décennies dans le domaine des logiciels critiques, à ces nouvelles technologies. Cette thèse s'inscrit dans cette dynamique en s'intéressant à un composant primordial de la discipline de vérification et validation de logicielle: les spécifications formelles. En effet, là où les propriétés des logiciels traditionnels peuvent être exprimées de manière à être prouvées par divers outils informatiques, l'une des grandes difficultés des IAs est de spécifier formellement le comportement des systèmes. Ces travaux seront complémentaires à ceux déjà engagés dans notre laboratoire dans le domaine de la vérification des IAs.

Télécharger l'offre (.zip)

Développement d'un framework pour la qualification / certification de systèmes basés sur l'IA

Département Ingénierie Logiciels et Systèmes (LIST)

Labo.conception des système embarqués et autonomes

MsC in software engineering, computer science or a closely related topic

01-04-2020

SL-DRT-20-0790

morayo.adedjouma@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le sujet de thèse ouvert est lié à la qualification / certification de systèmes autonomes qui utilisaient des composants d'Intelligence Artificielle(IA) au moment de l'exploitation. Actuellement, pour les systèmes non autonomes, la sécurité est évaluée avant le déploiement du système et les résultats de l'évaluation sont compilés dans un dossier de sécurité (assurance case) qui reste valable toute la vie du système. Pour les systèmes basés sur l'IA, de tels régimes réglementaires ne sont pas adéquats car le système peut afficher un nouveau comportement face à des situations inconnues pendant le fonctionnement. L'objectif de la thèse est de développer des stratégies de définition incrémentielle (dynamiques) de dossier de sécurité et une approche de certification continue, dans le but de démontrer qu'un système utilisant des composants d'IA peut encore être en sécurité quand il adapte son comportement en cours de fonctionnement. Les résultats de la thèse seront évalués sur un certain nombre d'applications et de scénarios basés sur l'IA et pertinents pour l'industrie.

Télécharger l'offre (.zip)

Apprentissage par Transfert et Transport Optimal appliqués au pilotage de procédés de fabrication additive

Département Métrologie Instrumentation et Information (LIST)

Laboratoire Science des Données et de la Décision

Master 2 ou Diplôme d'ingénieur en Maths Appliquées, Data Sciences, Traitement du Signal

01-10-2020

SL-DRT-20-0792

fred-maurice.ngole-mboula@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le but de cette thèse est d'explorer les apports possibles du transport optimal au domaine de l'apprentissage automatique qu'est l'apprentissage par transfert selon trois axes : - la construction d'un critère de transférabilité de la connaissance entre une tâche source et une tâche cible à partir d'une caractérisation de la régularité du plan de transport optimal entre les distributions des données associées aux tâches source et cible ; - l'intégration d'a priori sur la similarité des tâches via la métrique de "terrain" utilisée pour calculer le plan de transport optimal entre les distributions des données associées aux tâches source et cible ; - l'application du barycentre de Wasserstein à l'apprentissage multi-tâches. Ces travaux pourront s'appliquer à différents problèmes pratiques ayant fait l'objet de travaux au sein du laboratoire, notamment la fabrication additive. Une version plus détaillée du sujet de thèse est consultable via le lien suivant : https://drive.google.com/file/d/1TmoIYeK9RKRWV7aHFGeqY48tpobuBJeB/view?usp=sharing

Télécharger l'offre (.zip)

Apprentissage à partir de peu d'exemples et adaptation au domaine pour l'extraction d'information

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire Analyse Sémantique Textes et Images

diplôme d'ingénieur en informatique ou master 2 en Informatique

01-10-2020

SL-DRT-20-0862

romaric.besancon@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

L'extraction automatique d'information à partir de textes est une tâche indispensable pour des applications de traitements de données textuelles à grande échelle. Le développement de systèmes d'extraction d'information spécifiques à un domaine reste néanmoins très coûteux, que ce soit en termes de spécifications détaillées des informations à extraire ou d'annotation d'une quantité suffisante de données pour entraîner des modèles d'apprentissage. Cette thèse s'inscrit dans un objectif de réduction du coût d'adaptation d'un système d'extraction d'information à un domaine spécifique. L'approche envisagée s'appuie sur deux axes: (1) la mise au point d'un modèle d'extraction d'information générique, indépendant du domaine, en s'appuyant sur l'amélioration de la généralité de cadres événementiels génériques par l'utilisation de plongements de mots (word embeddings) de type BERT ou ELMO et (2) l'étude des méthodes d'adaptation de ce modèle générique à un domaine particulier en exploitant peu d'exemples annotés, par exemple par supervision distante, par apprentissage actif ou en exploitant des techniques d'apprentissage par transfert.

Télécharger l'offre (.zip)

Techniques de codage optimisés pour la conception d'accélérateurs matériels de réseaux de neurones profonds

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire Adéquation Algorithmes Architecture

Diplôme ing./M2 avec notions de machine learning

01-09-2020

SL-DRT-20-0869

johannes.thiele@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les approches par réseaux de neurones artificiels ont permis une amélioration importante des performances dans de nombreux domaines tels que la classification, la segmentation, etc. L'efficacité de cette approche n'étant plus à démontrer le nombre d'applications envisagées est en pleine croissance. Cependant, du à leurs complexités calculatoires et à leur besoin mémoire, ces réseaux sont difficilement portable dans des applications embarquées faible puissance. Pour améliorer le portage sur plateforme embarqué, de nombreux travaux de recherche ont abouti sur différentes techniques permettant de réduire l'empreinte mémoire et calculatoires d'un réseau de neurones artificiels: Réduction de nombre de paramètre, quantification numérique, etc. Cette thèse veut pousser plus loin l'optimisation des réseaux en travaillant sur le codage de l'information. Cette thèse propose d'explorer une nouvelle méthode en travaillant directement sur la manière de coder l'information au sein du réseau de neurones. Cette méthode de codage aurait pour finalité d'unifier deux modèles de codage existant: modèle vectoriel et modèle impulsionnel, tout en gardent en perspective d'une implémentation matériel.

Télécharger l'offre (.zip)

Transformation d'espace pour simplification de fonctions de classification

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire Adéquation Algorithmes Architecture

Master 2 IA ou mathématique appliquée

SL-DRT-20-0871

marc.duranton@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

De nombreux problèmes traités par l'Intelligence Artificielle sont des problèmes de classification de données d'entrées complexes qui doivent être séparées en différentes classes. Les fonctions transformant l'espace complexe des valeurs d'entrées en un espace plus simple, linéairement séparable, se font soit par apprentissage (réseaux convolutionels profonds), soit par projection dans un espace de haute dimension afin d'obtenir une représentation non-linéaire "riche" des entrées, puis un appariement linaire entre l'espace de haute dimension et les unités de sortie, c'est l'approche dit du « réservoir computing ». Ces concepts sont aussi liés à celui des Support Vector Machines (travaux de Vapnik 1966-1995). L'objectif de la thèse est d'étudier ce type de transformation applicable dans des applications réelles, et de définir une architecture optimisée, générique dans un domaine d'application donné, permettant de pré-traiter des données afin de les préparer pour une classification liée à une application précise, cette classification demandant un minimum d'opérations et pouvant, par exemple, se faire au vol (apprentissage continu). Les avancées visées sont de multiples ordres: - Du point de vue théorique, une approche tendant d'unifier les transformations effectuées par les réseaux d'apprentissage profond, du « réservoir computing » et des approches de transformation d'un espace d'entrée complexe en un espace essentiellement linéairement séparable. - Définir quelle sont les transformations à faire en pratique pour une classe de problèmes donnée (par exemple la reconnaissance d'objets) en les simplifiant au maximum (en fonction du taux d'erreurs, de faux positifs, etc). - Proposer des architectures optimisées, utilisant au mieux les technologies avancées (semi-conducteur, empilement 3D, photonique, etc). Le résultat final serait la proposition d'un module optimisé, qui pourrait être utilisé en amont d'un système programmable, permettant de réaliser efficacement des fonctions de « transfer learning », « one shot learning » et d'apprentissage continu.

Télécharger l'offre (.zip)

Architecture de calcul distribuée et centrée sur la mémoire pour des applications IA utilisant des technologies avancées de la 3D et la NVM

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire Intégration Silicium des Architectures Numériques

Master 2 conception architectures numériques

01-09-2020

SL-DRT-20-0913

ivan.miro-panades@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Avec la révolution des applications d'intelligence artificielle, les algorithmes d'intelligence artificielle deviennent de plus en plus gourmand en termes de besoins de calcul et de mémoire. D'autre part, il est envisagé que de nouveaux dispositif mettant en ?uvre ces fonctionnalités d'intelligence artificielle soient disponibles au niveau du « edge », c'est-à-dire proches de l'utilisateur final (e.g. dispositif portables, automobile, IoT, etc.) et non plus seulement dans le cloud. Cela implique une exigence très forte en termes de capacité de mémoire et de calcul pour permettre l'apprentissage au niveau du edge, tout cela avec une bonne efficacité énergétique. Le doctorat consiste à proposer et à explorer une nouvelle architecture distribuée centrée sur la mémoire pour les applications d'IA, en utilisant des technologies avancées pour surmonter les problèmes actuels (capacité de mémoire, bande passante mémoire, énergie par inférence et capacité d'apprentissage). Les technologies récentes de mémoire non volatile (NVM) et les technologies d'intégration 3D offrent une intégration de mémoire dense tout en rapprochant la mémoire des c?urs de calcul. Le défi de l'architecture consiste à définir le partitionnement adéquat du système, les mécanismes de communication distribués, les exigences de ratios mémoire / calcul, pour obtenir in-fine une architecture de calcul adaptée à ces besoins. Les travaux consisteront à explorer l'architecture et le système d'application par le biais de la modélisation du système, et pourront conduire au design d'un circuit de test pour valider le concept proposé. Le doctorat se déroulera dans le cadre d'une collaboration entre l'Université de Stanford (CA, USA) et le CEA (Grenoble, France).

Télécharger l'offre (.zip)

Jumeau numérique pour le SHM pour l'aérospatial par apprentissage

Département Imagerie Simulation pour le Contrôle (LIST)

Laboratoire Méthodes CND

M2 or equivalent in Mechanical engineering, data analysis or related fields

01-06-2020

SL-DRT-20-0938

olivier.mesnil@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

This PhD is funded by the Marie Curie program of European Union through the innovative training network (ITN) GW4SHM on Guided Waves for Structural Health Monitoring. Le SHM (Structural Health Monitoring ou contrôle de santé intégré en français) repose sur l'intégration permanente de capteurs dans une structure pour surveiller son état de santé au cours du temps. L'utilisation d'ondes élastiques guidées est particulièrement prometteuse en SHM en raison de la faible intrusivité des capteurs associés et de leur haute sensibilité aux défauts. En raison de la complexité des ondes guidées, des méthodes avancées de post-traitement sont cependant nécessaires. Cependant, malgré la maturité de la technologie, il n'existe pas d'application à grande échelle en aérospatial. La raison principale est la sensibilité des ondes guidées à un grand nombre de paramètres, rendant l'interprétation des ondes guidées difficile en dehors de contextes maitrisés. En particulier et avant l'adoption de ces technologies par l'industrie, il est nécessaire de démontrer leurs performances dans un grand nombre de configurations, ce qui a un coût prohibitif expérimentalement et doit donc être fait à l'aide de jumeau numérique (c'est-à-dire une réplique digitale d'une structure instrumentée par un système SHM). Cependant, le concept du jumeau numérique n'est possible que si la connaissance de tous les paramètres (structures, capteurs, environnement?) est fiable, ce qui n'est en général pas le cas en SHM. L'objectif de cette thèse est donc d'étendre le concept de jumeau numérique en SHM à l'aide de machine learning dans le but de mener à bien des campagnes de simulation pour la démonstration de performances en SHM dans des configurations inconnues. Pour ce faire, une utilisation intensive d'outils de simulation développés au CEA-List et intégrés dans le logiciel CIVA sera faite pour créer un grand nombre de simulations dans l'espace des configurations possibles. Des outils de machine learning seront entrainés sur cette base de données pour extraire la signature des défauts et permettre la mise en ?uvre de méthodes de diagnostic telle que l'imagerie. La thèse sera réalisée au CEA-List à Saclay (20km de Paris) et fera l'objet d'une collaboration avec Safran-Tech (Magny les Hameaux, 7km de Saclay)

Télécharger l'offre (.zip)

Caractérisation en flux de signaux radiologiques par apprentissage automatique embarqué

Département Métrologie Instrumentation et Information (LIST)

Laboratoire Capteurs et Architectures Electroniques

Master 2 Recherche ou Ingénieur - Spécialité microélectronique, systèmes embarqués, Mathématiques Appliquées, systèmes informatiques

01-10-2019

SL-DRT-20-0956

gwenole.corre@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les méthodes de classification par apprentissage automatique sont devenues omniprésentes dans les domaines du traitement du signal et de l'image. Néanmoins, ces méthodes de classification automatique restent encore aujourd'hui très peu exploitées dans les domaines des applications embarquées. Par ailleurs, des études ont montré que des méthodes de classification par apprentissage automatique permettent d'obtenir des performances satisfaisantes pour classifier les signaux provenant de capteur radiologique. Cependant, ces études et les solutions développées sont pour la plupart réalisées hors ligne et il n'existe pas ou peu de solutions à base de réseaux de neurones exécutées en temps réel. L'objectif de la thèse est de proposer des méthodes d'apprentissage pouvant être embarquées sur des systèmes de mesure portables temps réel permettant de répondre aux besoins de classification des signaux radiologiques et de réaliser et évaluer leur implémentation effective.

Télécharger l'offre (.zip)

Crowdsensing pour l'identification de sources de pollution atmosphérique par un réseau de capteurs de gaz multimodaux à bas coût

Département Systèmes (LETI)

Laboratoire Signaux et Systèmes de Capteurs

traitement de signal, modélisation, mathématiques appliquées, qualité de l'air

SL-DRT-20-0966

sylvain.leirens@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le crowdsensing pour l'identification de sources de pollution atmosphériques repose sur l'utilisation d'un grand nombre de capteurs de gaz multimodaux à bas coût. Le sujet de thèse porte sur la mise en ?uvre de ce réseau de capteurs pour l'identification de sources fortement polluantes dans le trafic routier urbain. Il est maintenant avéré qu'un petit nombre de véhicules est responsable d'une importante fraction de la pollution générée, alors que la qualité de l'air en zone urbaine devient un sujet de plus en plus préoccupant à l'échelle européenne. Le travail de thèse consistera en la formulation et la résolution d'un problème de séparation et localisation de sources polluantes mobiles en environnement urbain avec un réseau de capteurs mobiles. Des campagnes de mesures permettront de valider expérimentalement l'approche développée dans la thèse.

Télécharger l'offre (.zip)

Techniques de machine learning utilisant des labels incertains, application à l'estimation du stress humain

Département Systèmes (LETI)

Laboratoire Signaux et Systèmes de Capteurs

Machine learning

01-10-2019

SL-DRT-20-0981

christelle.godin@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Avec l'apparition des capteurs portés par la personne, il devient possible de mesurer en temps réel et au cours de la journée les paramètres physiologiques d'une personne et son activité. De nombreuses études ont montré la pertinence de ces mesures pour évaluer l'état de stress d'une personne. Les algorithmes d'apprentissage supervisés utilisés pour ces estimations sont en plein essor. Ces méthodes supposent que l'on dispose pour chaque mesure de l'état de stress à estimer. Or, lors de la construction de la base de données on ne peut pas attribuer de classe ou de valeur exacte au stress mais on obtient facilement des valeurs subjectives. L'objectif de la thèse est de prendre en compte des données possédant une ou plusieurs annotations qui peuvent être floues, redondantes, contradictoires ou manquantes afin d'en tirer l'information pertinente permettant d'obtenir un estimateur plus fiable. Ce type d'approche sera également utile pour de nombreuses autres applications incluant la détection de l'endormissement, le diagnostic de maladies mentales, l'estimation des émotions.

Télécharger l'offre (.zip)

Voir toutes nos offres