Conception et Optimisation Pilotées par l’IA de PAs à Modulation de Charge pour la 6G
Le sujet proposé porte sur la conception et l’optimisation, pilotées par l’IA, d’amplificateurs de puissance (PA) à modulation de charge destinés aux systèmes sans fil 6G de prochaine génération, pour lesquels des débits extrêmes, un rendement énergétique élevé et une forte linéarité sont requis. L’étude vise à intégrer des techniques d’apprentissage automatique et d’optimisation évolutionnaire dans le flot de conception des PA, afin de permettre des compromis maîtrisés entre rendement, bande passante et linéarité en conditions de modulation de charge dynamique. Des modèles de circuits fondés sur la physique seront couplés à des modèles Surrogates et à l’apprentissage par renforcement, afin d’explorer de vastes espaces de conception tout en réduisant le coût de calcul. L’accent sera mis sur des architectures de modulation de charge en temps réel (ex. Doherty), mises en œuvre dans des technologies semiconductrices avancées telles que le GaN. Le projet vise en outre à établir des cadres de co-optimisation guidés par l’IA reliant les caractéristiques au niveau dispositif aux performances au niveau système. Les résultats attendus comprennent de nouvelles méthodologies de conception, des modèles comportementaux compacts et des prototypes validés expérimentalement démontrant un rendement élevé sur de larges bandes de modulation, ouvrant la voie à des front-ends RF 6G durables, adaptatifs et intelligents.
Impact des ultrasons de puissance sur les propriétés d’écoulement de suspensions complexes
L’industrie nucléaire produit des déchets de diverses natures telles que des solides, des liquides mais aussi des « boues » qui sont issues des procédés de traitement des effluents ou aux résidus de fond de cuve ou de fond de piscine d’entreposage. La nature physico-chimique et l’historique de ces boues font qu’elles présentent un comportement à l’écoulement particulier les rendant parfois difficilement manipulables en amont de leur immobilisation en matrice de conditionnement. Afin de fluidifier ces suspensions de compositions variées l’action mécanique des ultrasons de puissance est envisagée. Il a récemment été montré, grâce à un montage couplant les ultrasons de puissance et la rhéologie, qu’il était possible de fortement diminuer le seuil d’écoulement et la viscosité de la boue en appliquant des ultrasons. Il s’agira dans ce travail de thèse de poursuivre les études engagées (Physico-chimie, microstructure, ultrason et rhéologie) sur des boues reconstituées ou sur des suspensions modèles simplifiées en se focalisant plus spécifiquement sur deux aspects. Le premier, plus fondamental, visera une meilleure compréhension de l’interaction entre les ultrasons de puissance et la matière avec une attention particulière portée sur l’origine des effets observés (interfaces vs volume). Le second volet sera plus appliqué avec le développement de dispositifs expérimentaux originaux à plus grande échelle pouvant générer des écoulements plus proches de situations industrielles.Nous recherchons pour ce travail une personne motivée, sérieuse et curieuse. De part le caractère pluridisciplinaire de ce sujet alliant la physique, la physico-chimie et le développement expérimentale, le candidat pourra valoriser ses compétences dans divers secteurs industriels tels que le nucléaire, le génie civil ou encore le domaine de la dépollution.
La thèse se déroulera dans un laboratoire du CEA Marcoule doté d'un environnement scientifique, technique et humain permettant la réalisation des travaux. Des séjours de courte durée sont à prévoir au laboratoire de physique de l’ENS de Lyon. Ce sujet de thèse, alliant une partie de compréhension fondamentale et une partie appliquée, offre des perspectives de carrière variées : soit une poursuite en post-doctorat, soit une carrière dans l’industrie.
Système de stockage de type thermocline et distribution fluidique: de l'expérimental à la réduction de modèle
Le stockage de chaleur de type thermocline (réservoir stratifié) est une solution industrielle pour valoriser la chaleur fatale et intégrer les énergies intermittentes. Pourtant, ses performances restent limitées par des phénomènes mal maîtrisés : distribution fluidique non uniforme, cyclages thermiques partiels et conditions réelles d’exploitation (entrées fluctuantes, cycles incomplets).
La thèse proposée ici fait suite à la thèse d’Alexis Ferré et au post-doctorat de Martin Rudkiewicz concernant la modélisation et la caractérisation des stockages de type thermocline. Ces travaux ont permis de développer et d’éprouver un modèle physique complet (CFD Fluent) permettant d'étudier finement les phénomènes physiques intervenant dans la création puis le transport de la thermocline dans un réservoir de stockage.
Un modèle numérique CFD partiellement validé et une installation expérimentale fonctionnelle seront donc la base de cette thèse, qui a pour but principaux :
• de poursuivre la caractérisation expérimentale du comportement d'un stockage thermocline liquide : l’influence de la distribution (type et dimensionnement du distributeur), du cyclage thermique et des conditions initiales sur les performances du stockage seront étudiés ;
• de valider le modèle physique CFD sur la base des données expérimentales générées ;
• de réaliser une réduction du modèle CFD vers un modèle système complet intégrant la distribution, la cuve et le soutirage ;
• de fournir à la communauté scientifique et industrielle des données actuellement manquantes et pouvant servir d'élément importants pour la validation dans des conditions variées et réalistes.
Etude d’un imageur basse consommation pour réseau de capteurs à traitement distribué
Dans le cadre d’un projet académique collaboratif, l’objectif de cette thèse est de développer un capteur d’image « intelligent » dédié à un réseau de caméras sans fil intégrant du calcul distribuée à base d’intelligence artificielle.
Un réseau de caméras actuel contient plusieurs caméras standards qui transmettent leurs images à un serveur global effectuant le traitement d’inférence ciblé. Ce type d’architecture propose une performance énergétique et une frugalité qui ne sont pas compatibles avec les exigences des applications de type IoT.
L’objectif du projet est de viser une architecture du nœud du réseau présentant une frugalité matérielle inédite grâce à une approche distribuée et collaborative basée sur des nœuds de calcul à ultra-basse consommation. Le noyau d’inférence de chaque nœud sera construit autour de processeurs ASIC effectuant des calculs sous forme analogique et numérique. Le démonstrateur final consistera en un réseau sans fil de caméras (nœuds du réseau de capteurs) intégrant des capteurs d’images dédiés associés à des processeurs hybrides effectuant un traitement mixte.
Dans ce contexte, le capteur d’image du nœud doit extraire des caractéristiques de l’image avec frugalité et efficacité, ce qui implique que vous devrez définir, concevoir et tester une architecture de lecture innovante d’un imageur standard. En collaboration avec les partenaires académiques, vous serez impliqué dans la définition de l’architecture globale du nœud permettant de définir essentiellement le format des données de sortie et la procédure de lecture de l’imageur, y compris le prétraitement potentiel pour les calculs d’inférence distribués. L’architecture étudiée intégrera des solutions basse consommation innovantes pour adresser les applications IoT ciblées et réaliser à la fois des acquisitions d’images et un pré-traitement IA.
Comme un démonstrateur de capteur d’image est prévu dans cette thèse, le travail sera mené au CEA-Leti dans le laboratoire L3i, en utilisant des outils professionnels de conception de circuits intégrés et des environnements de développement logiciel.
Optimisation d'architecture neuronale post-entraînement pour petit modèles de langage
L’IA générative, et en particulier les modèles de langage (LLM), ont conduit à une nouvelle révolution de l'IA avec des applications dans tous les domaines. Cependant, les LLM sont très gourmands en ressources (énergie, calculs, etc.) et, par conséquent, difficiles à mettre en œuvre sur des systèmes embarqués autonomes. Les LLM peuvent être optimisés en modifiant leur architecture, pour remplacer les opérations de Transformer coûteuses par des alternatives moins coûteuses. Etant donné la difficulté d’entraîner des LLM « from scratch », cette thèse vise à développer des méthodes d’optimisation d’architecture neuronale post-entraînement, applicable à des petits LLM (SLM). De plus, la thèse vise à proposer un modèle de performance des différentes opérations d’un SLM et leurs alternatives, afin de guider le remplacement des opérations, et ainsi proposer une méthodologie complète d’optimisation de SLM en prenant en compte les contraintes matérielles. Le travail sera valorisé par des publications dans des conférences et journaux de rang majeur en IA, et les codes et méthodes développés pourront être intégrés dans les outils développés au CEA.
Contribution à l'étude des convertisseurs partiels pour l'hybridation des sources d'énergie
L’un des axes de la réduction de l’empreinte carbone est le domaine du transport notamment le développement de la mobilité électrique actuellement en pleine croissance. Dans ce contexte, le marché du transport électrique hybride est grandissant. Les applications de l’hybridation ont vu leur puissance croitre et avec celle-ci celle des convertisseurs d’électronique de puissance permettant d’adapter les niveaux de tension des sources d’énergie et les échanges d’énergie entre elles. Cette augmentation de puissance s’accompagne de pertes plus élevées à évacuer, entrainant un impact significatif d’abord sur la taille des convertisseurs, donc du système global, puis sur l’efficacité énergétique de toute la chaine. Des efforts ont déjà été réalisés au CEA-LITEN sur le développement de convertisseurs DC-DC à haut rendement (notamment en utilisant les techniques d’entrelacement). La thèse aura pour objectif d’aller plus loin en étudiant les convertisseurs dits partiels ou PPC (Partial Power Converter). Les différentes architectures/topologies seront étudiées pour des applications hybride associant une pile à combustible et une batterie d’une part, et des applications associant 2 batteries (l’une typée puissance et l’autre typée énergie) d’autre part. Les travaux ont pour objectifs de déterminer la ou les meilleures architectures/topologies pour chacune des applications types permettant une réduction significative des tailles des convertisseurs et l’amélioration du rendement de toute la chaine.
Coordination de la flexibilité des convertisseurs d’électronique de puissance raccordés réseau de distribution en vue de participation à la stabilité du système électrique global.
Avec l’augmentation des productions et consommations connectées via des convertisseurs d’électronique de puissance, le réseau électrique évolue vers une structure plus dynamique et décentralisée. Cette transformation accroît le besoin et l’intérêt de leur participation active à la flexibilité et à la stabilité du système, notamment pour compenser les variations de production des énergies renouvelables et assurer un bon équilibre entre l’offre et la demande. La coordination optimisée du contrôle de ces dispositifs présente un fort potentiel pour améliorer la résilience du réseau, en exploitant intelligemment leurs capacités de régulation de tension, de fréquence et de puissance réactive. Toutefois, pour intégrer efficacement ces contributions à grande échelle, il est crucial de développer des approches de modélisation holistique permettant de capturer les interactions multi-échelles, tant spatiales que temporelles. Les travaux de modélisation dans cette thèse visent à représenter le lien entre la flexibilité de réponse en puissance active/réactive des convertisseurs d’électronique de puissance et la marge de stabilité apporté au réseau et aussi l’agrégation de leurs actions en vue d’une contribution au système intégré. Suite à cette étape, des architectures et des algorithmes de contrôle coordonnées entre le réseau de distribution et le réseau de transport seront étudiés, développés et validés.
Prédiction des effets de dispersion d’ondes élastiques par un modèle semi-analytique sous approximation hautes fréquences
Les méthodes d’inspection ultrasonores (UT) sont une composante essentielle des contrôles non-destructifs (CND). Elles sont couramment employées pour l’inspection de composants mécaniques tels que les soudures (nucléaire, pétrochimie) ou les structures en matériau composite (aéronautique). Afin de comprendre les phénomènes physiques en jeu pour une configuration donnée, la simulation est un atout et parfois une étape incontournable pour la mise en place du procédé d’inspection. Les approches de modélisation se répartissent en deux grandes familles : les modèles purement numériques, basés sur les éléments finis (EF), et les méthodes semi-analytiques, dérivées d’approximations haute fréquence (HF) comme les rayons paraxiaux. Ces dernières, bien que privilégiées pour leur efficacité calculatoire, introduisent des simplifications pouvant altérer la précision quantitative des résultats, en particulier pour des phénomènes comme la dispersion (variation de la vitesse des ondes selon la fréquence), fréquents dans certains contextes industriels.
Ce projet de thèse vise à enrichir l’approche par rayons paraxiaux en y intégrant des modèles d’interfaces dispersives (interplis composites, couches de couplant), des milieux viscoélastiques dispersifs, ainsi qu’un modèle d’ondes guidées modales. L’ambition est de concevoir un outil de simulation capable de reproduire fidèlement des configurations de contrôle réalistes, améliorant ainsi la représentativité des résultats.
Concilier la prédictabilité et la performance dans les architectures de processeurs pour les systèmes critiques
Les systèmes critiques possèdent à la fois des exigences fonctionnelles et temporelles, ces dernières garantissant que toutes les échéances sont respectées pendant l’exécution ; tout dépassement pourrait entraîner des conséquences catastrophiques. La nature critique de ces systèmes impose la mise en œuvre de solutions matérielles et logicielles spécialisées.
Cette thèse de doctorat porte sur le développement d’architectures matérielles pour systèmes critiques, appelées architectures prédictibles, capables de fournir les garanties temporelles nécessaires. Plusieurs architectures de ce type existent déjà, généralement fondées sur des pipelines in-order et intégrant soit des restrictions comportementales (par exemple, la désactivation de mécanismes de spéculation complexes), soit des spécialisations structurelles (par exemple, des caches re-designés ou une arbitrage déterministe pour l’accès aux ressources partagées). Ces restrictions et spécialisations ont inévitablement un impact sur les performances ; la conception d’architectures prédictibles doit donc traiter directement le compromis entre prédictibilité et performance. Cette thèse vise à explorer ce compromis d’une manière nouvelle, en adaptant une variante hautes performances d’un processeur in-order (CVA6) et en développant des techniques top-down pour le rendre prédictible. Les performances de tels processeurs reposent habituellement sur des mécanismes tels que la prédiction de branchement, le préchargement (prefetching) et la prédiction de valeurs, mis en œuvre à l’aide d’éléments de stockage spécialisés (par exemple, des tampons) et appuyés par des mécanismes de contrôle tels que la restauration d’état (rollback) en cas de mauvaise spéculation. Dans ce contexte, l’objectif de la thèse est de définir un schéma général de prédictibilité pour l’exécution spéculative, couvrant à la fois l’organisation du stockage et le comportement de restauration.
Détection hors distribution avec des modèles de fondation de vision et des méthodes post-hoc
Le sujet de thèse se concentre sur l'amélioration de la fiabilité des modèles de deep learning, en particulier dans la détection des échantillons hors distribution (OoD), qui sont des points de données différents des données d'entraînement et peuvent entraîner des prédictions incorrectes. Cela est particulièrement important dans des domaines critiques comme la santé et les véhicules autonomes, où les erreurs peuvent avoir des conséquences graves. La recherche exploite les modèles de base de la vision (VFMs) comme CLIP et DINO, qui ont révolutionné la vision par ordinateur en permettant l'apprentissage à partir de données limitées. Le travail proposé vise à développer des méthodes qui maintiennent la robustesse de ces modèles pendant le fine-tuning, garantissant qu'ils peuvent toujours détecter efficacement les échantillons OoD. En outre, la thèse explorera des solutions pour gérer les changements de distribution des données au fil du temps, un défi courant dans les applications du monde réel. Les résultats attendus incluent de nouvelles techniques pour la détection OoD et des méthodes adaptatives pour les environnements dynamiques, améliorant ainsi la sécurité et la fiabilité des systèmes d'IA dans des scénarios pratiques.