CORTEX: Orchestration de Conteneurs pour les applications Temps-Réel, Embarqués/edge, à criticité miXte
Cette proposition de thèse de doctorat vise à développer un schéma d'orchestration de conteneurs pour les applications en temps réel, déployées sur un continuum de ressources de calcul hétérogènes dans l'espace embarqué-edge-cloud, avec un focus particulier sur les applications nécessitant des garanties en temps réel.
Les applications, allant des véhicules autonomes, à la surveillance de l'environnement ou à l'automatisation industrielle, exigent traditionnellement une grande prédictibilité avec des garanties en temps réel, mais elles demandent de plus en plus de flexibilité à l'exécution ainsi qu'une minimisation de leur empreinte environnementale globale.
Pour ces applications, une stratégie adaptative innovante est nécessaire pour optimiser dynamiquement (à l'exécution) le déploiement des charges logicielles sur les nœuds matériels, avec un objectif mixte-critique combinant des garanties en temps réel et la minimisation de l'empreinte environnementale.
Conception théorique de systèmes quasi-atomiques dans la bande interdite de semi-conducteurs/isolants pour des applications quantiques
La multiplication d’applications à température ambiante comme l’émission de photons uniques du centre NV (lacune-azote) chargé négativement dans le diamant a renouvelé l’intérêt pour la recherche de matériaux ayant un système quasi-atomique (QAS, quasi-atomique système) analogue à celui du centre NV, principalement caractérisé par la présence de niveaux de défauts bien localisés dans la bande interdite et occupés par des électrons conduisant à des état de spin élevés. Dans ce travail de doctorat, des méthodes théoriques seront utilisées pour concevoir de nouveaux QASs analogues au centre de NV ainsi que, dans des QAS sélectionnés, pour prédire les états de charge et explorer l’effet de la proximité de la surface sur la stabilité thermodynamique et sur la structure de l’état de spins. Les objectifs sont de concevoir de nouveaux QAS; prédire les états de charge des QAS sélectionnés dans le matériau en volume; étudier les changements dans l’état de charge apportés par la proximité de la surface; étendre le modèle de Hubbard utilisé pour calculer les états excités et tenir compte de l’interaction électron-réseau dans le calcul des états excités; Étudier l’effet de la présence d’états de niveaux profonds dans la bande interdite sur le transport des électrons et des phonons. La méthodologie développée au LSI pour concevoir de nouveaux QASs avec des états de spin élevés sera exploitée et de nouveaux systèmes analogues au centre NV seront recherchées. La théorie de la densité fonctionnelle (DFT) et un modèle de Hubbard développé au LSI seront les principaux outils de ce doctorat.
In-Sensor Computing pour les Capteurs MEMS : vers un réseau de neurones électromécaniques
L'essor des modèles d'apprentissage automatique pour le traitement des données issues de capteurs a conduit au développement de l'Edge-AI, qui vise à effectuer ces traitements localement, directement au niveau des capteurs. Cette approche réduit la quantité de données transmises et allège les centres de calcul centralisés, offrant ainsi une solution pour diminuer la consommation énergétique globale des systèmes. Dans ce contexte, le concept d'in-sensor computing émerge, intégrant acquisition et traitement des données au sein du capteur lui-même. En exploitant les propriétés physiques des capteurs et des paradigmes de calcul alternatifs tels que le reservoir computing et le calcul neuromorphique, l'in-sensor computing élimine les étapes énergivores de conversion et de traitement des signaux dans le domaine électrique.
L'application de ce concept aux capteurs MEMS permet le traitement de signaux tels que l'accélération, la contrainte ou les signaux acoustiques, avec une réduction significative, voire une élimination, des composants électroniques traditionnels. Cela a ravivé l'intérêt pour les dispositifs de calcul mécanique et leur intégration dans des capteurs MEMS. Quelques recherches récentes explorent des dispositifs MEMS innovants intégrant des réseaux de neurones récurrents ou du reservoir computing, montrant un potentiel prometteur pour l'efficacité énergétique. Cependant, ces avancées restent encore limitées à des démonstrations de concept pour des tâches de classification élémentaire avec un très faible nombre de neurones.
Sur la base de notre expertise acquise en calcul à base de MEMS, ce travail de doctorat propose de pousser ces concepts plus loin en développant un dispositif MEMS intégrant un réseau de neurones, à plusieurs couches, reprogrammable avec des capacités d'apprentissage, un résultat qui aurait bien au-delà de l'état de l'art. A terme, l'objectif est de concevoir un capteur intelligent, combinant détection et prétraitement sur une même puce, et optimisé pour fonctionner avec une consommation énergétique extrêmement faible, de l'ordre du femtoJoule par activation. Cette thèse se concentrera sur l'exploration, la conception et la caractérisation de ce nouveau neurone MEMS, en ciblant des applications de traitement de signaux basse fréquence dans des environnements à haute température, ouvrant la voie à une déclinaison de l'edge-IA dans le domaine des MEMS.