Archives

Conception d’une Interface graphique pour une plateforme de simulation électromagnétique-multiphysique

Le LEAT développe un code de calcul maison basé sur la méthode TLM pour la modélisation électromagnétique appliqué aux antennes et à la dosimétrie numérique. Il offre de multiples possibilités mais n’a pas d’interface graphique limitant son accès à un nombre restreint d’utilisateur. Au cours de ce stage, l’objectif principal sera donc de développer une interface graphique utilisant le Framework QT.

Plus d'info

Modélisation d’un conduit auditif réaliste et analyse dosimétrique aux fréquences de la 5G et au-delà

Pour établir le rapport entre d’éventuels effets sanitaires et l’exposition à un environnement électromagnétique un paramètre est défini : le débit d’absorption spécifique (DAS ou SAR en anglais) qui représente la puissance absorbée par unité de masse (il s’exprime en W/kg). Dans ce domaine, la simulation numérique se révèle être un outil particulièrement puissant permettant la quantification des champs et puissances induites dans les tissus : on parle alors de dosimétrie. Le candidat retenu pour ce stage utilisera le logiciel CST Microwave Studio pour construire un modèle numérique réaliste du conduit auditif.
L’objectif sera d’évaluer le DAS et la température à l’intérieur de l’oreille exposée à une onde plane sur une bande de fréquence allant de 26 à 100 GHz.

Plus d'info

Evaluation of neuromorphic AI with embedded Spiking Neural Networks

Edge AI is a recent subject of research that needs to take into account the cost of the neural models both during the training and during the prediction. An original and promising solution to face these constraints is to merge compression technics of deep neural networks and event-based encoding of information thanks to Spiking neural networks (SNN). SNN are considered as third generation of artificial neural networks and are inspired from the way the information is encoded in the brain, and previous works tend to
conclude that SNN are more efficient than classical deep networks. This internship project aims at confirming this assumption by converting classical CNN to SNN from standard Machine Learning frameworks (Keras) and deploy the resulting neural models onto the Akida neuromorphic processor from BrainChip company.

Plus d'info

Development of a prototype HW platform for embedded object detection with bio-inspired retinas

The goal of this internship project is to deploy this spike-based AI solution onto an embedded smart camera provided by the Prophesee company. The camera is composed of an event-based sensor and an FPGA. The work will mainly consist in deploying the existing software code (in C) on the embedded CPU, integrate the HW accelerator (VHDL) onto the FPGA and make the communication between them through an AXI-STREAM bus. The last part of the project will consist in realizing experimentations of the resulting smart cameras to evaluate the real-time performances and energy consumption before a validation onto a driving vehicle.

Plus d'info

Couplage de méthodes fréquentielles (MoM) et temporelles (FIT, TLM) pour la caractérisation de l’exposition à la 5G

Le LEAT (UCA) travaille depuis quelques années sur la caractérisation des niveaux de champs dans des modèles complexes de corps humains (ex. Virtual Family [ITIS]). De nombreuses études ont déjà été menées sur ces aspects aux fréquences de la 4G mais peu de données existent dans la bande de fréquences utilisées pour la 5G. De plus, à mesure que la fréquence augmente (ex., f > 26 GHz), le problème de calcul devient très difficile à résoudre. Cela est lié au grand nombre de cellules volumiques nécessaires pour représenter le domaine de calcul.
L’idée serait de traiter les grandes scènes via la méthode des moments afin d’obtenir les courants à la surface des individus présents. Ces courants serviraient alors de données d’entrée aux logiciels temporels pour le calcul volumique du DAS.

Plus d'info