Doctorant (H/F) - Montpellier, France - CNRS

CNRS

Entreprise vérifiée

Montpellier, France

il y a 1 semaine

Posté par:

Sophie Dupont

beBee Recruiter

Description

Cette offre est disponible dans les langues suivantes:

- Français
- Anglais

Date Limite Candidature : mercredi 1 mai 2024

**Informations générales**:
**Intitulé de l'offre **:Doctorant (H/F) en Intelligence Artificielle embarquée**
Référence : UMR5506-GILSAS-003
Nombre de Postes : 1
Lieu de travail : MONTPELLIER
Date de publication : mercredi 10 avril 2024
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 septembre 2024
Quotité de travail : Temps complet
Rémunération : La rémunération est d'un minimum de 2135,00 € mensuel
Section(s) CN : Sciences de l'information : traitements, systèmes intégrés matériel-logiciel, robots, commandes, images, contenus, interactions, signaux et langues

**Description du sujet de thèse**:

- Apprentissage incrémental pour l'IA embarquée
- Le grand défi de l'intelligence artificielle autonome (IA autonome), dans laquelle un agent IA est capable de s'autogérer, est au cœur de la recherche en IA. De tels systèmes font toutefois face à divers défis pour s'adapter à des environnements dynamiques, où la distribution des données peut changer avec le temps. L'un des principaux défis est de s'assurer que le modèle IA peut apprendre de manière incrémentale sans oublier les connaissances acquises précédemment. Les méthodes d'apprentissage incrémental visent à autoriser l'apprentissage de nouvelles données tout en conservant les connaissances précédemment acquises, ce qui est essentiel pour une autonomie à long terme. Cependant, atteindre cette capacité pose plusieurs défis scientifiques, notamment l'oubli catastrophique, l'évolutivité et la robustesse au bruit et aux "outliers".- Les travaux actuels montrent cependant que les EBM sont également très sensibles à l'oubli catastrophique, où des informations précédemment apprises sont perdues ou disparaissent rapidement lorsque le réseau est entraîné avec de nouvelles données, comme lorsque un système s'adapte à des conditions environnementales changeantes.
- Ce sujet de thèse de doctorat vise à explorer plusieurs directions visant à atténuer ce phénomène, en s'appuyant sur les solides fondations mathématiques des EBM associés à des règles d'apprentissage local telles que la propagation de l'équilibre (EP) et d'autres modèles émergents tels que les équations différentielles ordinaires neuronales (Neural ODEs) ou l'algorithme Forward-forward. Les directions anticipées trouvent leurs racines dans certaines contributions récentes à la croisée des neurosciences et de l'intelligence artificielle et dans une meilleure compréhension / localisation du stockage d'informations dans de tels modèles afin de préserver les connaissances initiales lorsque des tâches d'apprentissage ultérieures sont déclenchées. Une clé réside dans l'analyse de la dynamique réelle du réseau lorsqu'il est alimenté avec des données précédemment inconnues, ce qui fournit probablement des informations pertinentes sur la stratégie qui permettrait de surmonter au mieux l'oubli catastrophique.
- Cette thèse de doctorat abordera à la fois la question des modèles et des algorithmes d'entrainement et analysera les opportunités d'implémentations matérielles analogique/mixte et à base de composants memristifs pour le stockages des poids de ces réseaux. Ces investigations seront menées dans le cadre du projet "Emergences" [1] du programme cadre national PEPR IA de France 2030. Ces investigations seront menées en collaboration avec d'autres partenaires / doctorants et des post-doctorants qui ont déjà démontré des opportunités d'implémentation élégantes [2] exploitant la dynamique des systèmes électriques avec des capacités d'apprentissage sur puce.
- Apprentissage automatique et fondements mathématiques associés
- Systèmes embarqués
- Conception analogique/mixte

###- **Contexte de travail**:
La thèse se déroulera en collaboration étroite avec d'autres partenaires du projet ciblé support du PEPR IA (projet Emergences). Un lien particulier existera avec le CEA List Grenoble dans le cadre d'une probable codirection de thèse sur le volet apprentissage incrémental. Une collaboration internationale avec l'université de Brême est également prévue, université avec laquelle des travaux en collaboration sur les EBM sont menés depuis plusieurs années.

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.

**Contraintes et risques**:
NA