Qui sommes-nous ?
Espace utilisateur
Formation continue
Credit : L. Godart/CEA
D’un jour à plusieurs semaines, nos formations permettent une montée en compétence dans votre emploi ou accompagnent vers le retour à l’emploi. 
Conseil et accompagnement
Crédit : vgajic
Fort de plus de 60 ans d’expériences, l’INSTN accompagne les entreprises et organismes à différents stades de leurs projets de développement du capital humain.
Thèses
Accueil   /   Thèses   /   Aprentissage probabiliste à base de dispositifs spintroniques

Aprentissage probabiliste à base de dispositifs spintroniques

Electronique et microélectronique - Optoélectronique Sciences pour l’ingénieur

Résumé du sujet

Le candidat au doctorat conjoint UGA - KIT recruté devrait être en mesure de couvrir les travaux des lots de travail 1 et 2. Il/elle participera également à des réunions techniques et aura une bonne compréhension de la façon dont les tâches des autres lots de travail techniques sont exécutées, principalement par les partenaires avec un effort interne. Dans l'ensemble, le candidat au doctorat développera et optimisera des architectures compactes de calcul en mémoire, fournira des modèles de haut niveau pour une intégration ultérieure dans des conceptions à grande échelle, effectuera la validation de toutes les preuves de concepts de nouvelles implémentations architecturales. Il/elle sera également impliqué(e) dans la conception d'implémentations algorithmiques de réseaux neuronaux bayésiens adaptés à l'architecture. Plus précisément, il/elle travaillera dans les directions suivantes :
La conception et l'optimisation des réseaux neuronaux probabilistes, seront exécutées principalement dans le laboratoire SPINTEC à Grenoble, ce qui inclura :
1. la conception complète d'un accélérateur matériel sans transistor de sélection pour les opérations fréquentes de lecture et d'écriture.
2. Conception et validation d'une approche architecturale innovante capable de compenser les phénomènes de « sneaky paths ».
3. Modélisation de haut niveau de l'architecture crossbar complète qui inclut la composante stochastique.
4. Proposer un flux de simulation et de validation complet pouvant être adapté à une taille et à des paramètres d'architecture réalistes qui mettent en œuvre des tâches bayésiennes.
5. Réaliser des figures de mérite en matière de délai, de consommation d'énergie et de surcharge de surface.

Traduit avec DeepL.com (version gratuite)

Laboratoire

Institut de Recherche Interdisciplinaire de Grenoble
DEPHY
Laboratoire Spintec
Top envelopegraduation-hatlicensebookuserusersmap-markercalendar-fullbubblecrossmenuarrow-down