En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR5270-SYLGON-062 - CDD Chercheur H/F - Accélérateurs Photoniques au-delà de la Rétropropagation

CDD Chercheur H/F - Accélérateurs Photoniques au-delà de la Rétropropagation

Cette offre est disponible dans les langues suivantes :
- Français-- Anglais

Date Limite Candidature : vendredi 31 octobre 2025 23:59:00 heure de Paris

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler

Informations générales

Intitulé de l'offre : CDD Chercheur H/F - Accélérateurs Photoniques au-delà de la Rétropropagation
Référence : UMR5270-SYLGON-062
Nombre de Postes : 1
Lieu de travail : ECULLY
Date de publication : vendredi 10 octobre 2025
Type de contrat : Chercheur en contrat CDD
Durée du contrat : 30 mois
Date d'embauche prévue : 1 janvier 2026
Quotité de travail : Complet
Rémunération : A partir 3021 Euros brut par mois selon expérience
Niveau d'études souhaité : Doctorat
Expérience souhaitée : Indifférent
Section(s) CN : 01 - Interactions, particules, noyaux du laboratoire au cosmos

Missions

Les accélérateurs électroniques qui alimentent actuellement l’intelligence artificielle (IA) présentent des limitations intrinsèques, notamment une consommation énergétique élevée et une latence importante, ce qui freine leur performance dans les applications de calcul en périphérie (edge computing) où l’efficacité et l’adaptabilité sont cruciales [1]. Avec l’augmentation exponentielle des tâches axées sur les données, le calcul éco-énergétique en IA devient un impératif stratégique, incitant à explorer des paradigmes de calcul alternatifs au-delà de la technologie CMOS conventionnelle.
Les accélérateurs photoniques offrent des avantages substantiels par rapport aux circuits électroniques traditionnels, en exploitant le parallélisme intrinsèque et la dynamique ultrarapide de la lumière pour exécuter des calculs à grande vitesse (dizaines de GHz) et avec une faible consommation d’énergie [2]. Malgré ces bénéfices, l’entraînement des réseaux neuronaux photoniques reste difficile en raison de leur incompatibilité avec les méthodes d’entraînement numérique classiques telles que la rétropropagation (BP), qui nécessitent des simulations numériques énergivores des gradients.
Pour surmonter cette limitation critique, cette proposition explore la Propagation à l’Équilibre (EP), une approche d’entraînement biologiquement plausible qui s’aligne naturellement sur la dynamique des systèmes physiques analogiques. L’EP exploite les états d’équilibre du système pour estimer les gradients sans recourir aux étapes explicites de rétropropagation, réduisant ainsi considérablement la charge computationnelle et la consommation énergétique.
Cette recherche se concentre sur trois objectifs principaux :
1. Des concepts innovants de dispositifs photoniques adaptés aux réseaux neuronaux basés sur l’EP,
2. Des architectures photoniques évolutives spécifiquement conçues pour intégrer la dynamique de l’EP en tirant parti des nouveaux dispositifs proposés,
3. L’évaluation de l’efficacité et de la robustesse de l’entraînement basé sur l’EP sur du matériel photonique au moyen de simulations complètes au niveau système.

Contexte et état de l'art
Les systèmes photoniques ont récemment démontré leur potentiel en tant qu’accélérateurs efficaces pour l’IA, réalisant des opérations matricielles à l’échelle du GHz avec une latence ultra faible et une précision quasi numérique (~8 bits) [3]. Des processeurs photoniques universels ont montré leur capacité à implémenter des modèles complexes d’IA, tels que les réseaux de neurones convolutifs (CNN) et les Transformers, avec une précision comparable à celle de l’électronique [4]. Toutefois, les approches existantes reposent principalement sur un entraînement hors-ligne par rétropropagation numérique, ce qui entraîne une surcharge énergétique importante et des problèmes de décalage lors du transfert des modèles de la simulation au matériel.
L’EP propose une alternative convaincante, utilisant les états d’équilibre des systèmes physiques pour calculer intrinsèquement les gradients. Récemment, des algorithmes basés sur l’EP, implémentés sur des systèmes analogiques électroniques et quantiques, ont démontré une précision comparable à celle de la BP, confirmant la faisabilité d’un entraînement de réseaux neuronaux entièrement en matériel [5]. En complément, des schémas d’entraînement photoniques uniquement en propagation avant ont montré des résultats prometteurs, atteignant une précision équivalente à celle de la BP sans mécanismes de rétroaction explicites [6]. Ces méthodes suggèrent collectivement une voie viable vers un apprentissage entièrement intégré et en temps réel au sein des systèmes neuronaux photoniques.

Activités

Recherche Proposée :
Simulation de Dispositifs Photoniques
La proposition explorera, par le biais de simulations approfondies, de nouveaux concepts de dispositifs photoniques optimisés pour l’apprentissage compatible avec l’EP. Les dispositifs incluront des composants optiques non linéaires réglables (tels que des micro-anneaux résonateurs, des amplificateurs optiques à semi-conducteurs et des modulateurs électro-optiques) adaptés pour fournir la non-linéarité dynamique et la réglabilité nécessaires au fonctionnement des réseaux neuronaux pilotés par l’EP. Les simulations se concentreront sur l’optimisation au niveau des dispositifs, en visant une reconfigurabilité rapide, une faible consommation d’énergie et une précision suffisante pour un apprentissage fiable en matériel. Diverses plateformes technologiques seront considérées, telles que SOI, SiN et LNOI. Des approches hybrides où le matériel photonique est couplé au matériel électronique seront également explorées afin de tirer parti des avantages des deux technologies.
Architectures Photoniques Évolutives
Le développement architectural s’appuiera sur le multiplexage en longueur d’onde (WDM) et les paradigmes de calcul par interférence cohérente. Les simulations valideront des topologies évolutives capables d’implémenter la dynamique des réseaux neuronaux récurrents (par exemple, via des boucles de rétroaction optiques intégrées au niveau du dispositif ou du système [7]) essentielles à l’EP, permettant au système d’atteindre de manière autonome des états d’équilibre et d’exécuter des mises à jour pondérales basées sur le gradient entièrement en optique. L’architecture intégrera des opérations linéaires et non linéaires cohérentes simulées, garantissant des études de faisabilité réalistes avant la mise en œuvre matérielle.
Algorithmes d’Entraînement
Cette recherche mènera des simulations complètes de l’entraînement par EP sur les architectures photoniques proposées, démontrant son adéquation pour l’estimation autonome de gradients au sein de systèmes photoniques physiques. Les simulations évalueront divers indicateurs de performance, y compris la précision, la vitesse de convergence et la robustesse face au bruit et aux variations des dispositifs. Des schémas hybrides analogiques-numériques seront également explorés pour améliorer la précision et l’adaptabilité tout en préservant l’efficacité computationnelle. En particulier, un entraînement analogique sera réalisé au niveau de la puce photonique, assisté par un entraînement numérique afin d’améliorer la précision du calcul.

Compétences

Résultats Attendus et Impact
La recherche fournira :
1. Des conceptions avancées simulées de dispositifs photoniques optimisés pour l’apprentissage par EP,
2. Des architectures validées d’accélérateurs neuronaux photoniques évolutifs,
3. La démonstration de l’efficacité de l’entraînement basé sur l’EP par des simulations rigoureuses, montrant des performances comparables à celles de la BP mais avec des besoins énergétiques significativement réduits.
Cette approche de recherche intégrée basée sur la simulation répond aux barrières fondamentales liées au matériel d’IA évolutif et efficace, en posant les bases essentielles pour une future réalisation expérimentale. De tels progrès promettent des avancées substantielles pour des applications d’IA adaptative en temps réel, allant du calcul en périphérie et de la robotique autonome aux solutions d’IA durables. Des prototypes, par exemple via des MPW runs, pourraient être envisagés selon le degré de maturité des résultats.

Contexte de travail

À propos du Projet :
Ce poste s’inscrit dans le cadre du PEPR IA (projet Émergences) : https://www.pepr-ia.fr/en/projet/emergence-2/ qui vise à faire progresser l’état de l’art des modèles émergents basés sur la physique en explorant de manière collaborative divers modèles computationnels exploitant les propriétés de différents dispositifs physiques. Le projet se concentre sur les modèles bio-inspirés événementiels, les modèles inspirés de la physique et les solutions innovantes d’apprentissage automatique basées sur la physique. Émergences entend également étendre ses activités de recherche collaborative au-delà du périmètre du consortium, en lien avec d’autres projets PEPR et d’autres laboratoires.

Les instituts impliqués dans ce poste sont le Centre pour les Radiofréquences, l’Optique et la Microélectronique dans les Alpes (CROMA), l’Institut des Nanotechnologies de Lyon (INL), ainsi que le laboratoire SPINTEC, qui fait partie du Centre des Énergies Atomiques et Renouvelables – Institut de Recherche Interdisciplinaire de Grenoble (CEA-IRIG).
À propos du Poste :
La localisation physique du poste est au laboratoire CROMA (site de Grenoble), avec des interactions régulières avec les autres instituts impliqués dans le projet. La durée du poste est de 2,5 ans.
Références
[1] Y. Shen et al., "Deep learning with coherent nanophotonic circuits," Nat. Phot. 11, 441-446 (2017) : https://doi.org/10.1038/nphoton.2017.93
[2] B. Shastri et al., " Photonics for artificial intelligence and neuromorphic computing," Nat. Photon. 15, 102–114 (2021) : https://doi.org/10.1038/s41566-020-00754-y
[3] S. Hua et al., "An integrated large-scale photonic accelerator with ultralow latency," Nature 640, 361–367 (2025) : https://doi.org/10.1038/s41586-025-08786-6
[4] J. Feldmann et al., "Parallel convolution processing using an integrated photonic tensor core," Nature 589, 52–58 (2021) : https://doi.org/10.1038/s41586-020-03070-1
[5] J. Laydevant et al., "Training an Ising machine with equilibrium propagation," Nat. Comms 15, 3671 (2024) : https://doi.org/10.1038/s41467-024-46879-4
[6] S. Bandyopadhyay et al., "Single-chip photonic deep neural network with forward-only training," Nat. Photon. 18, 1335–1343 (2024) : https://doi.org/10.1038/s41566-024-01567-z
[7] M. Abdalla et al., "Minimum complexity integrated photonic architecture for delay-based reservoir computing, " Opt. Express 31, 7, 2023, https://doi.org/10.1364/OE.484052



Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.