About this role
Summary: This internship focuses on developing Bayesian learning methods adapted for resistive memory devices (ReRAM). The candidate will simulate algorithms, evaluate strategies, and integrate physical device characteristics to reduce computational costs while maintaining prediction quality.
### Sujet de stage
Les réseaux de neurones bayésiens évaluent l'incertitude de leurs prédictions en explorant plusieurs jeux de poids, les paramètres qui déterminent leur réponse. Leur apprentissage nécessite toutefois des calculs coûteux. Les mémoires résistives (ReRAM) offrent une piste pour les simplifier : elles peuvent stocker ces poids, effectuer des calculs directement en mémoire et produire des variations aléatoires.
Ce stage vise à exploiter ces variations pour remplir deux fonctions : estimer comment modifier les poids pour améliorer les prédictions, et explorer différents jeux de poids pour représenter l'incertitude. L'objectif est de réduire les calculs nécessaires à l'apprentissage en s'appuyant sur les propriétés physiques des mémoires. Vous développerez et évaluerez cette méthode en simulation, en intégrant progressivement les caractéristiques réelles des dispositifs ReRAM.
### Description de l'offre
Au sein du Laboratoire des Dispositifs Mémoires et de Calcul du CEA-Leti à Grenoble, vous participerez au développement de méthodes d’apprentissage bayésien adaptées aux mémoires résistives ReRAM. Vous vous appuierez sur les travaux de l’équipe, qui a déjà démontré la possibilité d’utiliser ces dispositifs pour entraîner des réseaux de neurones bayésiens.
Les approches existantes nécessitent encore des opérations numériques coûteuses ou perdent en efficacité lorsque la taille des modèles augmente.
Le stage vise à explorer des stratégies d’apprentissage exploitant les propriétés physiques des mémoires pour simplifier ces calculs, tout en préservant la qualité des prédictions et l’estimation de leur incertitude.
Le travail portera d’abord :
- Sur le développement algorithmique et la simulation.
- À partir de méthodes de référence, vous évaluerez différentes stratégies et intégrerez progressivement les caractéristiques réelles des dispositifs ReRAM.
- Vous étudierez leurs performances et les contraintes associées à une mise en œuvre matérielle.
Selon l’avancement des travaux, une évaluation à partir de données expérimentales ou sur des matrices de mémoires existantes pourra être envisagée.
### Profil du candidat
Étudiant ou étudiante en M2 ou en dernière année d’école d’ingénieurs, avec une spécialisation en électronique, microélectronique, physique appliquée ou informatique.
Vous êtes à l’aise en programmation et en mathématiques appliquées, et vous vous intéressez aux réseaux de neurones ainsi qu’à leur mise en œuvre matérielle. Une première expérience en apprentissage automatique constitue un atout. Une connaissance préalable des mémoires émergentes n’est pas indispensable.
Rejoignez-nous, venez développer vos compétences et en acquérir de nouvelles !
Vous avez encore un doute ? Nous vous proposons :
- L'opportunité de travailler au sein d'une organisation de renommée mondiale dans le domaine de la recherche scientifique,
- Un environnement unique dédié à des projets ambitieux au profit des grands enjeux sociétaux actuels,
- Une expérience à la pointe de l’innovation, comportant un fort potentiel de développement industriel,
- Des moyens expérimentaux exceptionnels et un encadrement de qualité,
De réelles opportunités de carrière à l’issue de votre stage
- Un poste au cœur de la métropole grenobloise, facilement accessible via la mobilité douce favorisée par le CEA,
- Une participation aux transports en commun à hauteur de 85%,
- Un équilibre vie privée – vie professionnelle reconnu,
- Un restaurant d'entreprise,
- Une politique diversité et inclusion,
*Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l’inclusion des travailleurs handicapés.*