Annonce

★ Le stage se déroulera au sein de l’équipe FOX du laboratoire CRIStAL, à l’Université de Lille.

Avantage : Ce stage est censé se poursuivre par une thèse de doctorat à la fin.

Résume : Le projet vise à concevoir un système neuromorphique capable de détecter en temps réel des motifs spatio-temporels dans l’activité de réseaux de neurones impulsionnels (SNN). Ces réseaux traitent l’information par des événements discrets (spikes), selon un codage temporel favorisant un calcul parcimonieux et économe en énergie. Un apprentissage auto-supervisé permettra au réseau de découvrir des régularités temporelles sans annotation. L’architecture sera implantée sur FPGA selon le protocole AER, combinant rapidité, parallélisme et faible consommation. La méthodologie inclut la simulation (Brian2, NEST), la détection de polychronies, puis la transposition matérielle optimisée (arithmétique fixe, pipelining, compression). Nous étudierons également le déploiement sur du matériel neuromorphique tel que Loihi 2 d’Intel [1] et les processeurs Speck de SynSense , reconnus pour leur efficacité énergétique et leurs performances événementielles. Ce projet s’inscrit dans la stratégie de l’axe bio-inspiré de l’IRCICA, promouvant des architectures frugales et adaptatives inspirées du cerveau.

Sujet de recherche et contexte scientifique : Le projet « Extraction de motifs dans un réseau de neurones à impulsion et implantation sur FPGA » s’inscrit dans le champ du calcul neuromorphique, à la croisée des neurosciences computationnelles, de l’intelligence artificielle et du matériel reconfigurable. Ce domaine en plein essor vise à concevoir des systèmes inspirés du cerveau, capables de traiter l’information de manière asynchrone, distribuée et économe en énergie, comme le montrent les architectures neuromorphiques Loihi (Intel), TrueNorth (IBM) et SpiNNaker (Manchester).

Les réseaux de neurones impulsionnels (SNN) reposent sur la plasticité dépendante du temps d’impulsion (STDP), mécanisme permettant l’émergence spontanée de motifs spatio-temporels reflétant des régularités internes du réseau [8]. Ces structures, analogues à des formes élémentaires de mémoire, sont au cœur du lien entre apprentissage local et reconnaissance de motifs neuronaux.

Si les SNN ont d’abord été appliqués à la classification d’images, leur potentiel pour des tâches dynamiques – reconnaissance d’actions, flux optique ou imagerie médicale [3] motive aujourd’hui l’étude de leur apprentissage auto-supervisé (SSL). Toutefois, la discontinuité des spikes rend difficile l’adaptation directe des méthodes SSL développées pour les réseaux artificiels. Des approches récentes, telles que celles de Qiu et al. [4] ou Singhal et al. [5], ont amorcé cette convergence, mais leurs performances restent limitées.

L’objectif du projet est de développer un cadre auto-supervisé pour SNN exploitant la dynamique temporelle des spikes afin d’extraire des motifs récurrents transférables à des tâches de vision (détection, segmentation). Ces motifs seront implantés sur FPGA pour démontrer une détection en temps réel et à faible consommation énergétique, prolongeant les travaux de Barchid [8] sur la représentation et l’exploitation matérielle de l’activité neuronale.

Cette recherche, à l’intersection du SSL, du calcul événementiel et du FPGA, vise à jeter les bases de systèmes neuromorphiques embarqués, capables d’apprendre et de s’adapter sans supervision explicite, ouvrant ainsi la voie à une IA frugale et bio-inspirée.

Objectifs scientifiques et technologiques : L’objectif principal du projet est de concevoir, simuler et implanter un système neuromorphique capable de détecter en temps réel des motifs neuronaux dans un réseau de neurones à impulsion. Pour cela, plusieurs axes de travail sont définis :

• Modéliser et simuler des SNN réalistes à l’aide d’environnements tels que Brian2 ou NEST, afin de générer des flux d’impulsions représentatifs d’une activité neuronale biologique ou
  synthétique.
• Développer un algorithme de détection de motifs spatio-temporels, inspiré des approches statistiques comme SPADE (Spatio-Temporal Pattern Detection), reposant sur la recherche de coïncidences temporelles entre neurones.
• Intégrer un apprentissage auto-supervisé : au-delà de la STDP classique, le projet explorera des stratégies permettant au réseau d’utiliser ses propres signaux internes (corrélations, rythmes, récurrences) comme source d’apprentissage. L’objectif est de doter le système d’une capacité
  d’adaptation autonome, sans recours à des données labellisées.
• Implanter l’algorithme sur FPGA en adoptant une architecture événementielle basée sur le protocole AER (Address-Event Representation). Cette implantation nécessitera une adaptation
  matérielle des calculs (arithmétique à virgule fixe, pipelining, compression mémoire,
  parallélisation partielle).

L’ensemble du système sera validé selon une méthodologie rigoureuse :
★ Phase logicielle : validation de la détection de motifs par simulation, évaluation quantitative
(précision, rappel, F1-score).
★ Phase matérielle : mesure des performances sur FPGA (latence, consommation énergétique,
occupation logique). Une comparaison entre les deux versions permettra d’évaluer les gains
d’efficacité et de rapidité apportées par l’implantation matérielle.

Profil recherché

• Étudiant(e) en dernière année de Master (M2) ou en école d’ingénieurs, spécialisé(e) en apprentissage automatique (machine learning), vision par ordinateur ou domaine connexe.
• Connaissances en vision par ordinateur, apprentissage automatique et profond
• Compétences en programmation (Python).
• Autonomie, rigueur et esprit critique.

★ Le stage se déroulera au sein de l’équipe FOX du laboratoire CRIStAL, à l’Université de Lille.

Adresse de Stage :
CAMPUS Haute-Borne CNRS IRCICA-IRI-RMN
Parc Scientifique de la Haute Borne, 50 Avenue Halley, BP 70478, 59658 Villeneuve d’Ascq Cédex

Candidature :

Si cette proposition vous intéresse, veuillez envoyer les documents suivants au Dr. Tanmoy MONDAL (tanmoy.mondal@univ-lille.fr)

• CV
• Lettre de motivation
• Relevés de notes obtenus en licence / master / école d’ingénieur ainsi que le classement dans la promotion
• Nom et coordonnées d’au moins une personne de référence pouvant être contactée si nécessaire

Références

1. Mike Davies et al. Advancing neuromorphic computing with loihi : A survey of results and outlook. Proceedings of the IEEE, 109(5) :911–934, 2021.
   
2. Manish Darshan, Shih-Chii Zhang, and Shuang Liu. Speck : A general-purpose neuromorphic processor with multi-core on-chip learning support. In 2021 IEEE International Symposium on Circuits and Systems (ISCAS), pp. 1–5. IEEE, 2021.
   
3. Alex Vicente-Sola, Davide L. Manna, Paul Kirkland, Gaetano Di Caterina, and Trevor J. Bihl. Spiking neural networks for event-based action recognition : A new task to understand their advantage. Neurocomputing, 611 :128657, 2025. ISSN 0925-2312. URL https://www.sciencedirect.com/science/article/pii/S0925231224014280.
   
4. Haonan Qiu, Zeyin Song, Yanqi Chen, Munan Ning, Wei Fang, Tao Sun, Zhengyu Ma, Li Yuan, and Yonghong Tian. Temporal contrastive learning for spiking neural networks. arXiv preprint arXiv :2305.13909, 2023
   
5. Raghav Singhal, Jan Finkbeiner, and Emre Neftci. Self-supervised pre-training of spiking neural networks by contrasting events and frames. In UniReps : 2nd Edition of the Workshop on Unifying Representations in Neural Models, 2024. URL https://openreview.net/forum?id=DNopfn4hZf.
   
6. Z. Zhou et al. Spikformer v2 : Join the high accuracy club on imagenet with an snn ticket. arXiv
   preprint arXiv :2401.02020, 2024b.
   
7. Jason K Eshraghian, Max Ward, Emre O Neftci, Xinxin Wang, Gregor Lenz, Girish Dwivedi, Mohammed Bennamoun, Doo Seok Jeong, and Wei D Lu. Training spiking neural networks using lessons from deep learning. Proceedings of the IEEE, 111(9) :1016–1054, 2023. doi :10.1109/JPROC.2023.3308088.
   
8. S. Barchid, Avancées en vision neuromorphique : représentation événementielle, réseaux de
   neurones impulsionnels supervisés et pré-entraînement auto-supervisé, Thèse de doctorat,
   Université de Lille, 2023.