Direction scientifique
Transfert de connaissances vers l'industrie

Nos Thèses par thème

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

Toutes les offres [+]

Injection de fautes et Intégrité des réseaux de neurones embarqués : attaques, protections, évaluation

Département Systèmes (LETI)

Laboratoire Sécurité des Objets et des Systèmes Physiques

Intelligence Artificielle; Microélectronique; Systèmes embarqués

01-02-2021

SL-DRT-21-0159

pierre-alain.moellic@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Une des tendances majeures de l'Intelligence Artificielle aujourd'hui est le déploiement massif des systèmes de Machine Learning sur une multitude de plateformes embarquées. La majorité des fabricants de semi-conducteurs proposent des produits « compatibles A.I. », principalement pour des réseaux de neurones pour de l'inférence. La sécurité est un des grands freins au déploiement de ces systèmes. De nombreux travaux soulèvent des menaces aux impacts désastreux pour leur développement, comme les « adversarial examples » ou le « membership inference ». Ces travaux considèrent les algorithmes de ML selon un point de vue purement algorithmique sans prendre en considérations les particularités de leur implémentation matérielle. De plus, des études plus poussées sont indispensables sur les attaques physiques (side-channel et injection de fautes). En considérant une surface d'attaque regroupant les aspects algorithmiques et matériels, la thèse propose d'analyser des menaces de type Fault Injection Analysis (FIA) ciblant l'intégrité des modèles (tromper une prédiction) des systèmes EML et le développement de protections efficaces. Quelques travaux s'intéressent aux attaques physiques contre des réseaux de neurones embarqués mais avec des architectures très simples sur des microcontrôleurs 8-bit, ou FPGA ou en pure simulation. Ces travaux ne proposent pas encore des liens entre les modèles de fautes ou les fuites mises en évidence et les failles algorithmiques. En se basant sur l'expérience d'autres systèmes critiques (e.g., module cryptographique), la philosophie de la thèse sera de considérer conjointement le monde algorithmique et le monde physique pour mieux appréhender la complexité des menaces et développer des protections appropriées. La thèse s'intéressera aux questions scientifiques suivantes : (1) Caractérisation et exploitation de modèles de fautes : comment exploiter des disfonctionnements par injections de fautes (laser, EM ou glitch) pour tromper la prédiction d'un modèle de type réseau de neurones profond en minimisant la perturbation. (2) Evaluation des mécanismes de protections classiques : quel est la pertinence et l'efficacité des schémas de défenses classiques (e.g. mécanismes de redondances) pour ce type de systèmes et de menaces ? (3) Développement de nouvelles protections appropriées aux réseaux de neurones embarqués.

Télécharger l'offre (.zip)

Réseau de capteurs et edge AI basse consommation pour la maintenance prédictive

Département Systèmes (LETI)

Laboratoire Autonomie et Intégration des Capteurs

ingénieur ou master 2 Traitement du Signal, Machine learning, Programmation Embarquée

01-10-2021

SL-DRT-21-0312

vincent.heiries@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

La maintenance prédictive est un enjeu majeur pour l'industrie du futur (industrie 4.0), permettant de maximiser les temps d'utilisation des pièces, d'augmenter la durée de vie des machines, de réduire les pannes ainsi que les temps d'immobilisation des équipements; avec à la clé, des gains économiques et environnementaux pour l'entreprise. La maintenance prédictive s'appuie sur des réseaux de capteurs placés sur les équipements à monitorer et sur des mécanismes d'apprentissages mettant en ?uvre de l'intelligence artificielle (Machine Learning). Ces capteurs sont aujourd'hui essentiellement filaires, ce qui rend leur installation complexe : passage de câbles, passage de murs, environnements tournants,? La solution idéale serait de disposer de capteurs communicants sans fil; se pose alors la question de leur autonomie énergétique, ce qui est l'enjeu de cette thèse. Ce sujet de thèse, qui s'inscrit dans la roadmap "Systèmes Cyber-Physiques" du Département Systèmes du CEA-LETI (Grenoble), aura pour objectif de développer un réseau de capteurs basse consommation sans fil permettant de surveiller les équipements industriels et d'anticiper leur défaillance. La thèse s'appuiera sur des solutions technologiques avancées mettant en ?uvre de l'intelligence artificielle embarquée (edge AI), du traitement de données provenant de différents capteurs (audio, vibrations) ainsi que de l'électronique basse consommation (hardware et firmware) notamment pour les aspects traitement de l'information et communication. L'intelligence artificielle est en plein essor avec des enjeux majeurs pour la santé, le transport, la protection de l'environnement ou encore l'industrie. Actuellement, les calculs sont majoritairement déportés sur des serveurs (couramment nommés cloud), ce qui nécessite la transmission complète des données mesurées par les capteurs (par ex. signal audio pour un microphone, ou vibrations pour un accéléromètre). Cette architecture est simple à déployer mais peu efficace du point de vue énergétique avec des serveurs de calcul surdimensionnés pour la plupart, et peu résiliente en cas de défaut de transmission des données. La tendance est donc à l'implémentation des algorithmes de traitement au plus proche des capteurs pour réduire les taux d'utilisation des systèmes de communication, décharger les serveurs de calcul en réduisant leur consommation énergétique et améliorer la résilience de ces réseaux de capteurs. Partant de ce constat, il reste à comprendre comment une tâche de traitement de données initialement réalisée par des serveurs sans contraintes d'alimentation et de puissance de calcul peut être déportée sur un réseau de capteurs à énergie disponible limitée et à puissance de calcul réduite (par ex. microcontrôleurs faible consommation). A cette fin, on pourra entre autre, mettre en ?uvre des méthodes utilisées dans le domaine du compressive sensing, et appliquer des algorithmes de machine learning dans un espace compressé. Le c?ur de la thèse portera donc sur la minimisation de la consommation énergétique hardware et firmware des systèmes électroniques embarqués implémentant de l'intelligence artificielle et visant l'application "maintenance prédictive pour l'industrie". Les questions de recherche et les innovations associées cibleront: (i) le développement d'architectures électroniques basse consommation (fonctions de réveil, ajustement de la fréquence de mesure,?), (ii) le développement et l'implémentation sur microcontrôleurs d'algorithmes de Machine Learning pour les fonctions capteurs (audio, vibrations, températures) et (iii) le développement et l'implémentation sur microcontrôleurs d'algorithmes de Machine Learning pour l'optimisation de l'énergie et de l'autonomie. Un dispositif électronique complet (hardware + firmware) mettant en ?uvre ces innovations et déployé en situation réelle est attendu pour la fin de la 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-21-0380

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)

Neurones oscillants pour le calcul d'optimisation et la mémoire associative

Département Composants Silicium (LETI)

Laboratoire d'Intégration des Composants pour la Logique

Niveau M2, formation en micro/nanoélectronique (technologie et conception) - des connaissances théorique et pratiques des réseaux de neurones pour l'IA sont un avantage

01-10-2021

SL-DRT-21-0393

louis.hutin@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Les réseaux de Hopfield sont des réseaux de neurones récurrents qui permettent de réaliser des fonctions de mémoire associative. En soumettant leurs éléments à des fluctuations ajustables, ces réseaux peuvent également être adaptés à la résolution efficace de problèmes d'optimisation combinatoire NP-difficiles. De tels problèmes, dont la résolution exacte en temps polynomial est hors de portée de machines de Turing déterministes, trouvent des applications dans des 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. Le sujet proposé s'inscrit dans le contexte de la recherche d'accélérateurs hardware pour l'intelligence artificielle. L'approche considérée en particulier porte sur le choix d'oscillateurs verrouillés en phase par injection (ILO: Injection-Locked Oscillators) pour réaliser la fonction du neurone. L'objectif sera la conception, la fabrication et la démonstration de réseaux de neurones binaires couplés par des poids synaptiques ajustables pour réaliser des fonctions de mémoire associative (ex: reconnaissance de forme) ou d'optimisation combinatoire (ex: coloration de graphe, partitionnement maximal,?).

Télécharger l'offre (.zip)

Voir toutes nos offres