Stage Ingénieur-e : Etude et analyses des méthodes d'implémentation de réseaux de neurones F/H

Dans le cadre de ses activités de recherche centrées autour des réseaux de neurones, la BU de SDS cherche à recruter un.e étudiant.e afin d'étudier l'implémentation de plusieurs architectures de réseaux de neurones sur différentes plateformes (FPGA, GPU, CPU) et en fonction de différents critères (performances, vitesse, consommation…). A ce titre, l'étudiant.e sera amené.e à parcourir l'état de l'art sur les thématiques liées (bibliothèques logicielles liées à l'embarqué, network compression, network pruning, quantification de poids d'un réseau, …), puis à offrir des solutions pratiques à ces problématiques en proposant des méthodes génériques d'implémentation et en confirmant ces solutions par la mise en pratique sur cible.
Enfin, dans une optique plus long termes, l'étudiant.e pourra être amené.e à étudier l'intérêt théorique d'architectures encore au stade de développement (Xillinx Versal, technologies d'Intel liées au deep-learning…) pour ce type d'applications.

Description des missions :
- Conception d'une bibliographie concernant les méthodes actuels d'implémentation de couches neuronales de divers types (Dense, LSTM, Convolutif) sur diverses architectures logicielles et matérielles (CPU, GPU et FPGA).
- Analyse et raffinage de ces méthodes d'implémentation en fonction de contraintes fixes (vitesse, consommation d'énergie, consommation de ressources…).
- Application de ces méthodes sur cible (connaissances minimales en FPGA et en VHDL nécessaires).
- Mesure des performances et de l'applicabilité de ces méthodes sur des réseaux spécifiques, utilisés dans les activités de recherche de Safran.
- Développement d'une méthode systématique d'implémentation : Etant donné un réseau, une plateforme et un jeu de contraintes, proposer une implémentation.
- Proposer une analyse long terme sur des architectures encore au stade d'étude.

Compétences techniques recherchées :
- Maitrise minimale des technologie FPGA et du langage VHDL.
- Bonne maitrise de Python.
- La maitrise de Tensorflow ou PyTorch est un plus.
- La maitrise du langage C ou C++ est un plus.
- Des connaissances générales en deep-learning sont un plus.
- La maitrise de LaTeX est un plus pour la rédaction des rapports.