Apprentissage Fédéré sur FPGA pour les Dispositifs IoT Médicaux Intelligents : Sécurité et Efficacité Énergétique // Energy-Efficient and Secure FPGA-Based Federated Learning for Smart Healthcare IoT Devices

Avec la montée en puissance des objets connectés (IoT) dans les domaines industriels, médicaux et domestiques, l'intégration de traitements d'intelligence artificielle (IA) embarquée devient une exigence incontournable. Ces dispositifs doivent pouvoir analyser localement les données, sans compromettre ni la confidentialité ni leur autonomie énergétique. L'apprentissage fédéré (FL), en tant que paradigme distribué, permet aux nœuds IoT d'entraîner un modèle collaboratif sans échanger de données sensibles. Toutefois, plusieurs défis se posent : les ressources matérielles limitées, les contraintes énergétiques, les exigences de confidentialité accrues et la nécessité d'une faible latence. Le chiffrement homomorphe (HE), capable de traiter des données chiffrées, représente une solution prometteuse, bien qu'onéreuse sur le plan computationnel.
L'objectif de cette thèse est de concevoir et d'implémenter une architecture matérielle optimisée sur FPGA, capable de combiner apprentissage fédéré et chiffrement homomorphe dans un environnement IoT contraint. Le FPGA est choisi pour sa flexibilité, sa faible consommation énergétique et ses capacités de reconfiguration, ce qui en fait une plateforme adaptée à l'optimisation fine des algorithmes embarqués.
Ce projet de recherche vise à développer une solution matérielle efficace pour l'apprentissage fédéré chiffré sur des dispositifs IoT en s'appuyant sur des plateformes FPGA. Il consiste à adapter des modèles d'intelligence artificielle légers à des architectures matérielles contraintes, tout en intégrant des mécanismes de chiffrement homomorphe adaptés. L'étude portera également sur l'optimisation du co-design matériel/logiciel, la gestion intelligente de l'énergie pour maximiser l'autonomie des dispositifs, ainsi que la validation expérimentale à travers le prototypage et des tests en conditions réelles.
Ce travail s'inscrit dans une approche interdisciplinaire mêlant IA embarquée, cryptographie matérielle et systèmes reconfigurables. Il vise à proposer une solution complète et innovante répondant aux enjeux cruciaux de sécurité, performance et autonomie dans l'IoT.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

With the growing presence of connected devices (IoT) in industrial, medical, and home environments, integrating embedded artificial intelligence (AI) processing has become essential. These devices must be able to analyze data locally without compromising either privacy or energy autonomy. Federated Learning (FL), as a distributed paradigm, enables IoT nodes to collaboratively train a model without exchanging raw data. However, several challenges arise: limited hardware resources, energy constraints, increasing privacy demands, and the need for low-latency operation. Homomorphic Encryption (HE), which allows computation on encrypted data, offers a promising solution, though it comes with significant computational overhead.
The objective of this thesis is to design and implement an optimized hardware architecture on FPGA capable of combining federated learning and homomorphic encryption in constrained IoT environments. FPGA is chosen for its flexibility, low power consumption, and reconfigurability, making it ideal for finely tuning embedded algorithm performance.
This research project aims to develop an efficient hardware solution for encrypted federated learning on IoT devices, leveraging FPGA platforms. It involves adapting lightweight artificial intelligence models to resource-constrained hardware architectures while integrating suitable homomorphic encryption mechanisms. The study will also focus on optimizing hardware/software co-design, implementing intelligent energy management to maximize device autonomy, and conducting experimental validation through prototyping and real-world testing.
This work adopts an interdisciplinary approach that combines embedded AI, hardware cryptography, and reconfigurable systems. It seeks to deliver a comprehensive and innovative solution addressing the critical challenges of security, performance, and autonomy in the IoT domain.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/01/2026

PhD call Stand up for Science UPSaclay

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

575 Electrical, Optical, Bio-physics and Engineering

- Formation : Bac+5 en électronique embarquée, systèmes numériques, informatique ou IA - Compétences : VHDL/Verilog, FPGA, IA embarquée, Python, PyTorch/TensorFlow, bases en cryptographie - Qualités recherchées : autonomie, rigueur scientifique, esprit d'équipe, appétence pour la recherche appliquée
- Education: Master's degree (Bac+5) in Embedded Electronics, Digital Systems, Computer Science, or Artificial Intelligence - Technical Skills: VHDL/Verilog, FPGA design, Embedded AI, Python, PyTorch/TensorFlow, basic Cryptography - Desired Qualities: Autonomy, scientific rigor, team spirit, enthusiasm for applied research