Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : ICB UMR 6303
Durée : 36 mois
Contact : eric.leclercq@ube.fr
Date limite de publication : 2026-05-26

Contexte :
Cette thèse se déroule dans le cadre du projet CAMELIA (Composants pour l’Accélération Matérielle Et Logicielle de l’IA), qui vise à concevoir conjointement le matériel et le logiciel nécessaire à l’entraînement de grands modèles d’IA et à l’inférence de résultat. Pour ce faire, les optimisations seront pensées au niveau du matériel, du logiciel et des algorithmes, afin d’offrir de nouvelles opportunités d’exécution tout en gardant les performances comme préoccupation majeure, que ce soit au niveau énergétique ou temps d’exécution.
Le projet ciblé “Plateforme logicielle de cointégration et pile logicielle applicative” s’intéresse plus particulièrement au développement de l’environnement logiciel nécessaire à l’apprentissage et à l’exploitation de grands modèles d’IA sur les accélérateurs matériels conçus dans le projet CAMELIA. Il vise à développer des solutions de compilation optimisées pour les nouveaux paradigmes de calcul étudiés dans le projet (calcul proche/en mémoire, précision et/ou parcimonie variable au sein des modèles, etc.), à interfacer ces solutions de compilation avec les environnements de développement existants (PyTorch, TensorFlow, etc.) et à faciliter la prise en main de tels outils par les ingénieurs et chercheurs en IA afin de faciliter le prototypage de nouvelles idées.

Sujet :
L’optimisation des réseaux de neurones peut se mettre en œuvre à l’aide de diverses méthodes, notamment à l’aide de techniques de compression. La compression des matrices de poids est majoritairement utilisée, mais peu de travaux se concentrent sur l’utilisation de décompositions tensorielles.
L’utilisation des décompositions tensorielles pour compresser les réseaux de neurones nécessite de modéliser un réseau sous forme d’un ou plusieurs tenseurs, de choisir une décomposition adaptée pour minimiser la perte d’efficacité du réseau, et de ré-exprimer les opérations du réseau d’origine dans l’espace compressé produit par la décomposition.
La thèse proposera d’investiguer le potentiel des tenseurs et des décompositions tensorielles pour compresser les réseaux de neurones afin d’optimiser la phase d’inférence.
L’objectif sera de modéliser les réseaux de neurones sous la forme de tenseurs, de sélectionner une décomposition tensorielle adaptée au réseau puis de ré-exprimer au maximum les opérations du réseau dans l’espace compressé afin de maximiser le gain en terme de temps d’exécution et de consommation mémoire lors de la phase d’inférence.

Profil du candidat :
Le ou la candidat(e) devra posséder une solide formation en informatique, mathématiques appliquées. Une bonne maîtrise de l’algorithmique, des langages de programmation, de l’algèbre linéaire, du machine learning et deep learning est attendue.

Formation et compétences requises :
Des compétences en programmation scientifique, notamment en C et Python, seront attendues, ainsi qu’une capacité à conduire un travail mêlant théorie, développement algorithmique et validation expérimentale.

Adresse d’emploi :
Université Bourgogne Europe
Laboratoire Interdisciplinaire Carnot de Bourgogne (ICB) UMR CNRS 6303, 9, Avenue Alain Savary, 21078 Dijon

Document attaché : 202605070954_SujetTheseCamelia2026-fr-ang.pdf