Offre de Thèse - Palaiseau, France - CNRS

CNRS

Entreprise vérifiée

Palaiseau, France

il y a 2 semaines

Posté par:

Sophie Dupont

beBee Recruiter

Description

Cette offre est disponible dans les langues suivantes:

- Français
- Anglais

Date Limite Candidature : mercredi 8 mai 2024

**Informations générales**:
**Intitulé de l'offre **:Offre de thèse (H/F) - Apprentissage physique exploitant des nanocomposants**
Référence : UMR9001-DAMQUE-008
Nombre de Postes : 1
Lieu de travail : PALAISEAU
Date de publication : mercredi 17 avril 2024
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2024
Quotité de travail : Temps complet
Rémunération : La rémunération est d'un minimum de 2135,00 € mensuel
Section(s) CN : Interactions, particules, noyaux du laboratoire au cosmos

**Description du sujet de thèse**:
L'intelligence artificielle (IA) continue de révolutionner divers domaines, y compris le secteur médical, mais sa mise en œuvre nécessite souvent une consommation énergétique élevée. Les systèmes nanoélectroniques neuro-inspirés, qui imitent le fonctionnement du cerveau humain, utilisent des composants comme les memristors pour simuler les synapses. Ces systèmes offrent une piste prometteuse pour réduire l'énergie consommée par les technologies d'IA. En effet, les memristors permettent une implémentation efficace de la synapse artificielle grâce à leur capacité à intégrer le calcul directement au sein des éléments de stockage, suivant le principe du calcul en mémoire. Toutefois, l'utilisation des memristors se limite principalement à l'inférence, alors que leur potentiel pour l'apprentissage reste largement inexploré en raison de multiples défis techniques.
La présente thèse se propose de s'attaquer aux défis associés à l'utilisation des memristors pour l'apprentissage. Trois problèmes majeurs sont identifiés : 1) les algorithmes d'apprentissage actuels requièrent des opérations non locales qui ne se prêtent pas bien au paradigme du calcul en mémoire; 2) les memristors présentent des imperfections significatives, rendant difficile la mise à jour précise de leur état; et 3) les circuits nécessaires pour programmer les memristors sont plus complexes que ceux utilisés pour leur lecture. L'objectif de cette thèse est donc de développer une approche algorithmique et matérielle intégrée pour surmonter ces obstacles, en exploitant à la fois les propriétés des composants memristors et ferroélectriques.

Expertise attendue : nanophysique, mesures électriques, programmation, réseaux de neurones.

**Contexte de travail**:
Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.