Multi-objective Surrogate Performance Prediction

Rejoignez l’IRT SystemX afin d’imaginer et concevoir un monde numérique plus sûr, plus performant et plus durable. Aux côtés de nos partenaires industriels et académiques, nos ingénieur.es-chercheur.ses adressent de nouveaux usages qui répondent aux grands enjeux de notre temps, sociétaux et technologiques. Ensemble, nous accélérons la transformation numérique des industries, des services et des territoires.

**Vous désirez vous accomplir au sein d’une équipe jeune à l’expertise reconnue ?** Avec nos 140 collaborateurs, prenez une part active au développement d’un institut de recherche technologique (IRT) de niveau international, dans le domaine de l’ingénierie numérique des systèmes. Vous découvrirez l’intérêt stimulant de nos projets collaboratifs au sein d’un campus scientifique d’excellence mondiale : le cluster Paris-Saclay.

Vous renforcerez l’équipe Science des données et IA dans la thématique de l’intelligence artificielle embarquée en lien avec des ingénieurs-chercheurs d’autres équipes regroupées dans le GT Embarqué.

Ce post-doc sera réalisé dans le cadre de ConfianceAI (Confiance.ai). Confiance.ai est le pilier technologique du Grand Défi « Sécuriser, certifier et renforcer la fiabilité des systèmes basés sur l’intelligence artificielle » lancé par le Conseil français de l’innovation. Il s’agit du plus grand programme de recherche technologique du plan #AIforHumanity, qui vise à faire de la France un des pays leaders en intelligence artificielle (IA). Le projet EC7 ambitionne d’analyser l’impact de l’IA sur la maîtrise de ces contraintes et de fournir des moyens méthodologiques et des outils permettant de les satisfaire. La partenaire académique accompagnant ce travail de postdoc est la laboratoire Cristal à Lille.

**Poste**:
Intégré au projet EC7 du programme Confiance.ai, composés d’ingénieurs-chercheurs, de chercheurs industriels et académiques, de post-doctorants et de doctorants, vous reportez hiérarchiquement au Responsable d’équipe et opérationnellement au Chef de projet.

**Vos missions principales consistent à**:

- Participer à l’élaboration des propositions méthodologiques de l’équipe projet en cohérence avec les propositions du partenaire académique (laboratoire Cristal Lille) ;
- Analyser les cas d’usages des partenaires industriels et mener les travaux de recherche nécessaires pour lever les verrous scientifiques, produire les livrables correspondants ;
- Réaliser, configurer et mettre en place les preuves de concept et les démonstrateurs conformément au contexte opérationnel et aux attentes industrielles ;
- Contribuer à la dissémination sous forme de publication et à l’élaboration de la roadmap scientifique et technologique de votre domaine.

**Descriptif**:
Ce postdoc vise à concevoir des modèles permettant d’estimer et de prédire les performances des CNN sans nécessiter leur déploiement sur une plateforme réelle. Ces modèles permettront de gagner du temps dans le cycle de développement et de déploiement. Il sera possible de tester des architectures CNN et de mesurer leurs performances, en termes de temps d’exécution, de consommation d’énergie, d’occupation de la mémoire, etc, avant que les plateformes ne soient réellement disponibles sur le marché. Les temps d’exécution, ou la consommation d’énergie peuvent être estimées sur une architecture non disponible, si l’on connaît ses attributs les plus « impactants » sur la ou les architectures matérielles. Cette approche permettra d’explorer rapidement un large espace de configurations (architectures CNN, architectures matérielles). Elle permet également d’éviter de développer et d’optimiser des modèles qui s’avéreront inefficaces sur la plateforme cible.

Dans ce postdoc, nous développerons de nouveaux modèles pour la prédiction des performances des CNN qui respectent le rang des modèles (Pareto rank-preserving surrogate models). La recherche d’architecture neuronale adaptée au matériel (HW-NAS) a récemment gagné en popularité en automatisant la conception de modèles de deep learning efficaces. Cependant, ces algorithmes nécessitent des ressources informatiques excessives et des milliers de jours GPU sont nécessaires pour évaluer et explorer l’espace de recherche. Dans ce postdoc, nous explorerons l’efficacité des modèles multi-objectifs de prédiction des performances des substituts dans HW-NAS.

Les principales pistes de recherche consistent à:

- Déterminer l’espace de recherche CNN.
- Déterminer les principales caractéristiques de deux plateformes matérielles (par exemple les DSPs Qualcomm Hexagon et les GPUs Nvidia Edge).
- Développer et tester des modèles multi-objectifs de prédiction de performance de substitution pour ces 2 types de plateformes HW

**Mots-clés **:Systèmes embarqués, Architecture des calculateurs, Compilation,