Grand établissement public d'enseignement supérieur, pôle de recherche reconnu, élément fondateur de l'écosystème grenoblois : Grenoble INP, l'institut d'ingénierie et de management de l’Université Grenoble Alpes (UGA), occupe une place de premier plan dans la communauté scientifique et industrielle.
Grenoble INP - UGA est membre de réseaux internationaux de formation et recherche en ingénierie et management.
Il est reconnu dans les classements nationaux et internationaux.
TIMA (Techniques de l'Informatique et de la Microélectronique pour l'Architecture des systèmes intégrés) est un laboratoire de recherche commun public de Grenoble INP - UGA, de l'Université Grenoble Alpes, et du CNRS. TIMA est un laboratoire multinational, avec des membres et des stagiaires en provenance de nombreux pays étrangers.
Les thèmes de recherche de TIMA couvrent la spécification, la conception, la vérification, les tests, les outils de CAO et les méthodes de conception pour les systèmes intégrés, depuis les composants analogiques et numériques à une extrémité du spectre jusqu'aux systèmes multiprocesseurs sur puce avec leur système d'exploitation de base à l'autre extrémité.
Site internet : https://tima.univ-grenoble-alpes.fr/
L’essor de l’intelligence artificielle et des systèmes embarqués exige de nouvelles approches matérielles capables d’allier performance, efficacité énergétique et robustesse. Les architectures neuromorphiques, inspirées du fonctionnement du cerveau humain, constituent une voie prometteuse pour dépasser les limites des architectures de calcul conventionnelles (von Neumann). En reproduisant les principes du traitement parallèle, asynchrone et distribué des neurones biologiques, ces circuits permettent d’obtenir des systèmes capables de traitement local des données, apprentissage adaptatif et résilience face aux fautes matérielles.
L’objectif de cette thèse est de concevoir, modéliser et évaluer des circuits neuromorphiques à basse consommation d’énergie et haute tolérance, adaptés à des applications d’IA embarquée ou de traitement de signaux sensoriels. Le candidat explorera des approches mêlant modélisation neuronale matérielle, optimisation de topologies, et implémentation sur technologies émergentes.
Travaux et tâches principales :
État de l’art et analyse comparative
Étude approfondie des architectures neuromorphiques existantes (SpiNNaker, Loihi, BrainScaleS, etc.)
Revue des stratégies de réduction de consommation énergétique et de tolérance aux pannes dans les systèmes neuromorphiques.
Modélisation et conception de circuits :
Développement de modèles neuronaux matériels (intégrateurs-déclencheurs, synapses dynamiques, réseaux de neurones spiking).
Conception de blocs de base et de topologies de réseau neuromorphique optimisées pour la consommation et la robustesse.
Simulation des circuits à l’aide d’outils de conception (Cadence, Synopsys, LTSpice, ou équivalents).
Optimisation et résilience :
Étude et mise en œuvre de mécanismes de tolérance aux fautes (redondance, auto-réparation, plasticité synaptique).
Analyse des compromis entre consommation, performance et fiabilité.
Exploration de l’intégration de technologies émergentes (memristors, RRAM, CMOS avancé)
Diffusion et valorisation scientifique :
rédaction de publications dans des conférences et journaux internationaux (IEEE, ISCAS, IJCNN, etc.)
participation à des projets collaboratifs et échanges avec d’autres laboratoires partenaires.
Formation : Diplôme d’ingénieur ou Master 2 en électronique, microélectronique, physique appliquée, ou en informatique avec une spécialisation en conception de circuits intégrés, systèmes embarqués ou intelligence artificielle matérielle.
Compétences techniques :
• Bonne maîtrise des outils de conception et simulation de circuits (Cadence, Synopsys, LTSpice, ou équivalents).
• Connaissances en architectures neuromorphiques, réseaux de neurones spiking, et modélisation neuronale matérielle.
• Familiarité avec les problématiques de basse consommation, tolérance aux fautes, et optimisation
de topologies de circuits.
• Notions de programmation scientifique (Python, MATLAB, C/C++) et éventuellement HDL (VHDL, Verilog).
Compétences transversales :
• Esprit analytique, rigueur scientifique et autonomie.
• Bonnes capacités de communication écrite et orale en français et en anglais.
• Aptitude au travail collaboratif dans un environnement de recherche multidisciplinaire