Réseaux neuronaux liquides à base d’oscillateurs verrouillés par injection pour une intelligence embarquée générative // Injection-Locked Oscillators based Liquid Neural Networks for Generative Edge Intelligence

Les architectures neuromorphiques actuelles, bien que plus efficaces grâce au in-memory computing, restent limitées par la densité extrême en poids et interconnexions, rendant leur implémentation matérielle complexe et coûteuse. Les Liquid Neural Networks (LNN), introduits par le MIT au niveau algorithmique, offrent une rupture : des neurones dynamiques à temps continu capables d’ajuster leurs constantes internes selon le signal reçu, réduisant drastiquement le nombre de paramètres nécessaires.
L’objectif de la thèse est de transposer les algorithmes des LNN au niveau circuit, en développant des cellules analogiques très faible consommation à base d’oscillateurs, réalisant le calcul neuronal dans le domaine temporel et reproduisant la dynamique liquide, puis en les interconnectant dans une architecture stable et récurrente afin de viser des applications d’IA générative. Un démonstrateur silicium sera conçu et validé, ouvrant la voie à une nouvelle génération de systèmes neuromorphiques liquides pour l’Edge AI.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD aims to design analog liquid neural networks for generative edge intelligence. Current neuromorphic architectures, although more efficient through in-memory computing, remain limited by their extreme parameter density and interconnection complexity, making their hardware implementation costly and difficult to scale. The Liquid Neural Networks (LNN), introduced by MIT at the algorithmic level, represent a breakthrough: continuous-time dynamic neurons capable of adjusting their internal time constants according to the input signal, thereby drastically reducing the number of required parameters.

The goal of this PhD is to translate LNN algorithms into circuit-level implementations, by developing ultra-low power time-mode cells based on oscillators that reproduce liquid dynamics, and interconnecting them into a stable, recurrent architecture to target generative AI tasks. A silicon demonstrator will be designed and validated, paving the way for a new generation of liquid neuromorphic systems for Edge AI.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Composants Silicium (LETI)
Service : Service Caractérisation, Conception et Simulation
Laboratoire : Laboratoire des circuits intégrés pour la Gestion de l'Energie, les Capteurs et Actionneurs
Date de début souhaitée : 01-10-2026
Ecole doctorale : Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Directeur de thèse : BADETS Franck
Organisme : CEA
Laboratoire : DRT/DCOS//LGECA

Financement public/privé

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Composants Silicium (LETI)
Service : Service Caractérisation, Conception et Simulation

Intelligence artificielle + compétences en électronique