Description du sujet de thèse
Domaine
Défis technologiques
Sujets de thèse
Réseaux neuronaux liquides à base d'oscillateurs verrouillés par injection pour une intelligence embarquée générative
Contrat
Thèse
Description de l'offre
Les architectures neuromorphiques actuelles, bien que plus efficaces grâce au in-memory computing, restent limitées par la densité extrême en poids et interconnexions, rendant leur implémentation matérielle complexe et coûteuse. Les Liquid Neural Networks (LNN), introduits par le MIT au niveau algorithmique, offrent une rupture : des neurones dynamiques à temps continu capables d'ajuster leurs constantes internes selon le signal reçu, réduisant drastiquement le nombre de paramètres nécessaires.
L'objectif de la thèse est de transposer les algorithmes des LNN au niveau circuit, en développant des cellules analogiques très faible consommation à base d'oscillateurs, réalisant le calcul neuronal dans le domaine temporel et reproduisant la dynamique liquide, puis en les interconnectant dans une architecture stable et récurrente afin de viser des applications d'IA générative. Un démonstrateur silicium sera conçu et validé, ouvrant la voie à une nouvelle génération de systèmes neuromorphiques liquides pour l'Edge AI.
Université / école doctorale
Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Université Grenoble Alpes
Localisation du sujet de thèse
Site
Grenoble
Critères candidat
Formation recommandée
Intelligence artificielle + compétences en électronique
Demandeur
Disponibilité du poste
01/10/2026
Personne à contacter par le candidat
EZZADEEN Mona < email supprimé pour raison de sécurité >
CEA
DRT/DCOS//LGECA
17 rue des martyrs
38000Grenoble
0438782701
Tuteur / Responsable de thèse
BADETS Franck < email supprimé pour raison de sécurité >
CEA
DRT/DCOS//LGECA
17 rue des Martyrs
38054 Grenoble
0438782672
En savoir plus
Domaine
Défis technologiques
Sujets de thèse
Réseaux neuronaux liquides à base d'oscillateurs verrouillés par injection pour une intelligence embarquée générative
Contrat
Thèse
Description de l'offre
Les architectures neuromorphiques actuelles, bien que plus efficaces grâce au in-memory computing, restent limitées par la densité extrême en poids et interconnexions, rendant leur implémentation matérielle complexe et coûteuse. Les Liquid Neural Networks (LNN), introduits par le MIT au niveau algorithmique, offrent une rupture : des neurones dynamiques à temps continu capables d'ajuster leurs constantes internes selon le signal reçu, réduisant drastiquement le nombre de paramètres nécessaires.
L'objectif de la thèse est de transposer les algorithmes des LNN au niveau circuit, en développant des cellules analogiques très faible consommation à base d'oscillateurs, réalisant le calcul neuronal dans le domaine temporel et reproduisant la dynamique liquide, puis en les interconnectant dans une architecture stable et récurrente afin de viser des applications d'IA générative. Un démonstrateur silicium sera conçu et validé, ouvrant la voie à une nouvelle génération de systèmes neuromorphiques liquides pour l'Edge AI.
Université / école doctorale
Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Université Grenoble Alpes
Localisation du sujet de thèse
Site
Grenoble
Critères candidat
Formation recommandée
Intelligence artificielle + compétences en électronique
Demandeur
Disponibilité du poste
01/10/2026
Personne à contacter par le candidat
EZZADEEN Mona < email supprimé pour raison de sécurité >
CEA
DRT/DCOS//LGECA
17 rue des martyrs
38000Grenoble
0438782701
Tuteur / Responsable de thèse
BADETS Franck < email supprimé pour raison de sécurité >
CEA
DRT/DCOS//LGECA
17 rue des Martyrs
38054 Grenoble
0438782672
En savoir plus
