Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Stage ingénieur IA embarquée C++ H/F


Détail de l'offre

Informations générales

Entité de rattachement

Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.

Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :
. la défense et la sécurité
. l'énergie nucléaire (fission et fusion)
. la recherche technologique pour l'industrie
. la recherche fondamentale (sciences de la matière et sciences de la vie).

Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.  

Référence

2022-23311  

Description de l'unité

Au sein de CEA Tech qui est le pôle « recherche technologique » de l'organisme, l'Institut LIST dédie ses activités aux systèmes numériques intelligents avec des programmes de R&D dans le manufacturing avancé, les systèmes embarqués, et l'intelligence ambiante. Nous accompagnons nos partenaires dans les domaines des transports, de l'industrie, de l'énergie, de la santé, de la sécurité et de la défense, pour transférer les technologies issues de l'innovation et pour améliorer leur compétitivité.

Description du poste

Domaine

Mathématiques, information  scientifique, logiciel

Contrat

Stage

Intitulé de l'offre

Stage ingénieur IA embarquée C++ H/F

Sujet de stage

L'objectif est d'apporter une nouvelle brique de quantification à précision mixte dans le logiciel d'apprentissage et d'optimisation de réseaux de neurones N2D2. N2D2 est un logiciel d'apprentissage, d'optimisation et de génération d'export sur cible de réseaux de neurones développé au sein du Laboratoire d'intelligence Artificielle Embarquée.

Moyens : Etude de la topologie des réseaux neurones, développement en C++, Python
Niveau demandé : Fin d'étude ingénieur ou master 2
Compétences : Apprentissage profond, C++, Cuda, Python
Pièces à fournir : CV + lettre de motivation + relevés de notes des 3 dernières années

Durée du contrat (en mois)

6

Description de l'offre

C’est au sein du LIAE qu’est développée la solution logicielle de Deep Learning appelée N2D2 [0]. Cet outil ouvert à la communauté de manière Open-Source permet de réaliser la simulation et d’automatiser l’implémentation d’applications basées sur les réseaux de neurones. La plateforme intègre des pilotes natifs de bases de données (par exemple Imagenet, KITTI, Cityscapes, DOTA), une chaine de prétraitements avancée, des méthodes d’apprentissages classique (SGD, Adam), des méthodes d’optimisation de réseau de neurones et un générateur de moteur d’inférence pour différents types de cibles matérielles (CPU/GPU, microcontrôleur, FPGA).

De plus en plus d’applications nécessitent d’embarquer des réseaux de neurones pour une inférence sur cible. L’objectif est de répondre à des contraintes de latence, de coût énergétique ou de protection des données personnelles qui ne peuvent pas être remplies avec une inférence délocalisée sur serveur. L’approche consiste à apprendre et optimiser un réseau de neurones sur serveur puis à le déployer sur cible pour la phase d’inférence. Dans cette démarche, la quantification est un outil de compression des réseaux de neurones visant à réduire le nombre de bits utilisés pour représenter les paramètres du réseau, par exemple les paramètres d’un réseau peuvent être stockés comme des entiers signés sur 8-bits au lieu d’une précision flottante sur 32bits. La maturité de la recherche autour de la quantification des réseaux de neurones convolutionnel fait ressortir que différentes couches ont besoin de différentes précisions pour obtenir une bonne performance applicative. Dans ce contexte, la quantification à précision mixte, c’est-à-dire que chaque couche du réseau peut avoir sa propre précision, apporte une solution pertinente. L’état de l’art des méthodes de quantifications à précision mixte montre les meilleurs compromis entre ratio de compression et performance applicative [1] [2].

Le CEA LIST propose un stage de 6 mois comportant les tâches suivantes :

  • Implémenter une méthode de quantification à précision mixte de l’état de l’art.
  • Reproduire les résultats du papier original.
  • Comparer la méthode implémentée aux méthodes de quantification déjà implémentés dans N2D2 avec des réseaux convolutifs classiques appris sur CIFAR-100 et ImageNet. 

Pour y arriver, le candidat se basera sur la structure mise en place pour quantifier les réseaux de neurones dans l’outil de Deep Learning N2D2. Des ressources de calculs conséquentes ainsi qu’un environnement de développement optimisé permettra au candidat de mener à bien l’implémentation et l’étude comparative.

Ce stage présente une bonne opportunité de se confronter au monde de la recherche, et de développer des compétences en travaillant à la frontière entre les domaines logiciels et matériels des réseaux de neurones profonds.

Références :

[0] : https://github.com/CEA-LIST/N2D2

[1] : https://arxiv.org/abs/2208.06064

[2] : https://arxiv.org/abs/2102.10462

 #StageList

Profil du candidat

Fin d'étude ingénieur ou master 2

Localisation du poste

Site

Saclay

Ville

  Palaiseau

Critères candidat

Langues

Anglais (Courant)

Formation recommandée

Fin d'étude ingénieur ou master 2

Possibilité de poursuite en thèse

Oui

Demandeur

Disponibilité du poste

02/01/2023