Mission : Le projet vise à concevoir des circuits intégrés CMOS de calcul intégré dans la mémoire, dans un contexte d'intelligence artificielle déportée, ultra-faible consommation. Contrairement aux systèmes basés sur le cloud, notre approche consiste à concevoir des unités de traitement à plus petite échelle pour identifier localement des caractéristiques sur une quantité limitée de données. Les circuits conçus permettront un fonctionnement à très basse consommation d'énergie grâce à l'utilisation de technologies CMOS avancées. Les applications de classification ciblées comprennent : la reconnaissance d'évènement audio, la détermination de mouvement dans des capteurs IoT, la détection de contexte ou la conduite intelligente. Plus spécifiquement, les circuits Edge AI étudiés se basent sur le principe du in-memory computing (IMC), afin d'effectuer une inférence précise dans les capteurs. Cela résout le problème du mouvement des données gourmandes en énergie en introduisant le traitement directement dans la mémoire. Ce travail vise à étudier des concepts numériques de mise à jour des poids de la mémoire in-situ afin de pouvoir faire un apprentissage sans lire ni écrire les cellules SRAM. Activités : Les tâches suivantes seront envisagées : • Conception d'un circuit intégré de machine learning permettant l'apprentissage directement dans la mémoire • Mise en œuvre d'un banc de test basé sur des circuits intégrés spécifiques (ASIC) et des circuits de contrôle, de type FPGA. • Démonstration du fonctionnement des circuits intégrés et application à des scénarios à définir. • Etude des perspectives envisageables et proposition d'architectures futures de circuit.