ENACT - IA frugale sur matériel analogique reconfigurable pour l'imagerie scientifique et le contrôle non destructif

Offre de thèse

Date limite de candidature

23-04-2026

Date de début de contrat

01-10-2026

Directeur de thèse

LOCQUET Alexandre

Encadrement

Le doctorant ou la doctorante sera accueilli(e) au sein de l'équipe THz Imaging & Nonlinear Dynamics de l'IRL 2958 Georgia Tech–CNRS à Metz, sous la direction d'Alexandre Locquet (CNRS, HDR). L'encadrement reposera sur un suivi rapproché : réunion hebdomadaire avec le directeur de thèse, réunions techniques régulières avec les partenaires du projet, et point mensuel élargi avec les encadrants de cotutelle et les collaborateurs hardware selon les besoins. La formation scientifique couvrira les problèmes inverses, le traitement du signal, l'IA frugale, l'électronique analogique reconfigurable, la reproductibilité et la communication scientifique. La progression sera jalonnée par des objectifs annuels, le comité de suivi individuel, des présentations internes, des conférences et des publications. Des séjours de recherche à Atlanta sont prévus dans le cadre de la cotutelle.

Type de contrat

Programmes ministériels spécifiques

Candidater à cette offre

école doctorale

C2MP - CHIMIE MECANIQUE MATERIAUX PHYSIQUE

équipe

contexte

Ce projet s'inscrit dans l'AI Cluster ENACT, dans l'ANR PRC AATLAS et dans les activités de l'IRL 2958 Georgia Tech–CNRS à Metz. Il est au croisement de l'IA frugale, du calcul analogique reconfigurable, des problèmes inverses et de l'imagerie THz pour le contrôle non destructif. L'équipe d'accueil dispose d'une expertise reconnue en imagerie THz, dynamique non linéaire et calcul physique, portée notamment par Alexandre Locquet, directeur de thèse HDR, coordinateur de l'ANR AATLAS et du réseau doctoral européen UNVEIL. La thèse sera menée en cotutelle avec le Georgia Institute of Technology, sous l'impulsion scientifique de Jennifer Hasler, pionnière des FPAAs et du calcul analogique reconfigurable, avec un ancrage lorrain renforcé par des interactions avec l'Institut Jean Lamour sur les architectures hybrides FPAA–FPGA. Le verrou scientifique principal est le suivant : comment résoudre rapidement, de façon robuste et à faible coût énergétique, des problèmes inverses issus de mesures scientifiques bruitées et indirectes, alors que les approches numériques classiques restent coûteuses en calcul et en énergie ?

spécialité

Physique

laboratoire

Georgia Tech-Lorraine

Mots clés

IA frugale, calcul analogique reconfigurable, problèmes inverses, FPAA-FPGA, imagerie térahertz, contrôle non destructif

Détail de l'offre

Cette thèse vise à développer une IA frugale sur matériel analogique reconfigurable pour l'imagerie scientifique et le contrôle non destructif. L'idée centrale est d'exploiter des dynamiques analogiques continues, sur Field-Programmable Analog Arrays (FPAAs), pour résoudre à très faible coût énergétique des problèmes inverses aujourd'hui traités par optimisation numérique itérative ou par réseaux neuronaux gourmands en calcul. Le projet se concentrera sur des signaux térahertz (THz) issus de structures multicouches, où l'information utile est encodée dans des réponses impulsionnelles bruitées et fortement superposées. Trois cas d'étude guideront la thèse : (i) déconvolution parcimonieuse pour localiser des interfaces sous la résolution nominale, (ii) reconstruction stratigraphique multicouche sous contraintes physiques, et (iii) cartographie locale d'épaisseur de revêtements ou de couches minces sur régions d'intérêt. Pour chacun de ces problèmes, on construira une fonction d'énergie intégrant modèle direct, fidélité aux données, parcimonie et contraintes physiques ; cette fonction sera ensuite implémentée sous forme de dynamique analogique sur FPAA, avec une boucle hybride analogique-numérique pour la calibration, le pilotage et l'estimation d'incertitude. Le doctorant travaillera à l'interface entre IA frugale, problèmes inverses, traitement du signal, électronique analogique reconfigurable et imagerie THz. La thèse se déroulera en cotutelle entre l'IRL 2958 Georgia Tech–CNRS (Metz) et le Georgia Institute of Technology, avec des interactions fortes avec l'Institut Jean Lamour pour le versant FPGA/architectures hybrides. Les résultats attendus sont à la fois méthodologiques et expérimentaux : nouveaux solveurs analogiques guidés par la physique, démonstrations sur données réelles d'imagerie scientifique, et comparaison rigoureuse avec des références CPU/GPU/FPGA en précision, temps de calcul et énergie par résolution. Le projet offre ainsi une formation rare, très internationale, mêlant physique, calcul, instrumentation et validation expérimentale.

Keywords

Frugal AI, Reconfigurable analog computing, Inverse problems, FPAA-FPGA, Terahertz imaging, Nondestructive evaluation

Subject details

This PhD project aims to develop frugal AI on reconfigurable analog hardware for scientific imaging and nondestructive evaluation. The core idea is to exploit continuous-time analog dynamics on Field-Programmable Analog Arrays (FPAAs) to solve inverse problems at much lower energy cost than iterative digital optimization or compute-intensive neural networks. The main application target is terahertz (THz) imaging of multilayer structures, where useful information is encoded in noisy and strongly overlapping impulse responses. Three use cases will structure the work: (i) sparse deconvolution to localize subsurface interfaces beyond nominal axial resolution, (ii) multilayer stratigraphic reconstruction with explicit physical constraints, and (iii) local coating- or thin-layer thickness mapping on selected regions of interest. For each problem, the candidate will derive a physics-informed energy function combining the forward model, data fidelity, sparsity or bounded-amplitude priors, and explicit physical constraints. These energies will then be implemented as analog dynamics on FPAA hardware, combined with lightweight digital control for calibration, orchestration, convergence monitoring, and uncertainty indicators. The PhD sits at the intersection of frugal AI, inverse problems, signal processing, analog/reconfigurable electronics, and THz scientific imaging. It will be carried out in cotutelle between IRL 2958 Georgia Tech–CNRS in Metz and the Georgia Institute of Technology, with strong interaction with Institut Jean Lamour on hybrid FPAA–FPGA workflows. Expected outcomes include new physics-guided analog inverse solvers, validated demonstrations on real scientific-imaging data, and rigorous benchmarking against CPU/GPU/FPGA baselines in terms of accuracy, latency, and energy per solve. The project offers rare interdisciplinary training with strong international exposure and close links between theory, hardware, and experiments. This PhD offer is provided by the ENACT AI Cluster and its partners. Find all ENACT PhD offers and actions on https://cluster-ia-enact.ai/.

Profil du candidat

Nous recherchons avant tout un excellent profil curieux, rigoureux et motivé par une thèse à l'interface entre théorie, calcul et expérience. Sont bienvenus les candidats titulaires d'un Master ou diplôme d'ingénieur en physique, électronique, traitement du signal, mathématiques appliquées, informatique, photonique ou domaine proche. Un très bon niveau dans un ou deux des domaines suivants suffit au départ : problèmes inverses/optimisation, traitement du signal, calcul scientifique et IA, électronique analogique ou numérique, instrumentation expérimentale. Python est attendu. Une expérience en FPGA, systèmes embarqués, circuits analogiques, THz ou apprentissage automatique est un plus, mais n'est pas indispensable. Le ou la candidate devra être à l'aise dans un environnement international et anglophone ; le français n'est pas requis.

Candidate profile

We are primarily looking for an excellent, curious, and rigorous candidate who is excited by a PhD at the interface of theory, computation, and experiments. Applicants with an MSc or engineering degree in physics, electrical engineering, signal processing, applied mathematics, computer science, photonics, or a related field are welcome. Strong background in one or two of the following areas is sufficient at the start: inverse problems/optimization, signal processing, scientific computing and AI, analog or digital electronics, or experimental instrumentation. Python is expected. Prior experience with FPGA, embedded systems, analog circuits, THz imaging, or machine learning is a plus, but not a prerequisite. The candidate should be comfortable working in an international English-speaking environment; French is not required.

Référence biblio

Hasler, J. “Large-Scale Field Programmable Analog Arrays.” Proceedings of the IEEE 108(8), 1283–1302 (2020).
Mathews, P. O.; Hasler, J. O. “Hopfield vs Ising: A Comparison on the System-on-Chip Field-Programmable Analog Array.” IEEE Transactions on Circuits and Systems I 71(9), 3999–4008 (2024).
Dong, J.; Locquet, A.; Citrin, D. S. “Depth-resolution enhancement of terahertz deconvolution by autoregressive spectral extrapolation.” Optics Letters 42, 1828–1831 (2017).
Shi, H.; Ham, G.; Meilland, P.; Citrin, D. S.; Locquet, A. “Enhanced terahertz nondestructive evaluation and stratigraphic reconstruction with filtered deconvolution.” NDT & E International 156, 103440 (2025).
Zito, R.; Shi, H.; Ricci, M.; Laureti, S.; Citrin, D. S.; Locquet, A. “Stratigraphic reconstruction from terahertz and ultrasonic signals by deconvolution: a review.” NDT & E International 158, 103524 (2025).
Derue, F.; Jovanovic, S.; Rabah, H.; Weber, S. “SWAP-GNG: A Scalable HW Architecture for Multi Growing Neural Gas Graph Learning for Continual Learning.” AICAS (2025).