Déploiement matériel robuste de réseaux de neurones

Description de l'offre : 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 sapos;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 dapos;une application pertinente d’Edge-AI une méthode générique de fine-tuning et la validera au moyen de simulations électriques bas niveau. Si possible, lapos;approche proposé pourra également être testé expérimentalement sur une plateforme matérielle basée sur un ASIC.

Profil du candidat : MSc in signal/image processing and/or electrical engineering