Thèse Stratégies d'Ordonnancement Temps Réel pour l'IA Embarquée sur des Plateformes Edge à Récupération d'Énergie H/F - Doctorat.Gouv.Fr

Établissement : Nantes Université École doctorale : École doctorale Mathématiques et Sciences et Technologies du numérique, de l'Information et de la Communication Laboratoire de recherche : Laboratoire des Sciences du Numérique de Nantes Direction de la thèse : Maryline CHETTO Date limite de candidature : 2026-10-31T00:00:00

Le déploiement de l'intelligence artificielle (IA) sur des dispositifs Edge monoprocesseurs aux ressources contraintes nécessite le respect des échéances d'exécution strictes malgré une capacité de calcul limitée et une disponibilité énergétique fluctuante. Les technologies de collecte d'énergie (energy harvesting) permettent le fonctionnement perpétuel des systèmes autonomes mais elles introduisent des profils de puissance imprévisibles et des comportements non deterministes en cas de surcharge ou de pénurie d'énergie.

Les charges de travail de l'IA embarquée moderne offrent de nouvelles flexibilités - telles que les architectures à sorties précoces (early-exit), d'élagage dynamique (dynamic pruning) et de calcul imprécis - qui n'ont pas encore été intégrées de manière systématique dans la théorie de l'ordonnancement temps réel économe en énergie.

En résumé, cette thèse de doctorat étudie la synergie entre les modèles d'ordonnancement temps réel et l'inférence d'IA adaptative sur des plateformes monoprocesseurs.

Les travaux reposeront principalement sur des ressources informatiques standards ; le/la doctorant(e) aura uniquement besoin d'un ordinateur portable standard équipé pour le développement logiciel, la simulation et l'entraînement de modèles.

Outils logiciels et de simulation : La recherche et les évaluations expérimentales seront conduites à l'aide de simulateurs temps réel open-source (ex. SimSo, environnements Python sur mesure), d'émulateurs de RTOS embarqués et de frameworks d'apprentissage automatique légers (ex. PyTorch, TensorFlow Lite, MicroTVM).

Encadrement et environnement académique

Le/la candidat(e) bénéficiera d'un co-encadrement par deux expertes aux compétences complémentaires en systèmes temps réel et en IA embarquée :

Pr. Maryline Chetto (Directrice de thèse) : Reconnue en théorie de l'ordonnancement temps réel, ayant apporté des contributions pionnières aux systèmes temps réel à collecte d'énergie (notamment l'algorithme d'ordonnancement ED-H (2014) et l'algorithme PA-H (2026).

Dr. Rola El Osta (Co-encadrante) : Maîtresse de conférences à l'Université Libanaise et ancienne docteure du LS2N (2017). Ses travaux de recherche portent sur les systèmes temps réel et les modèles d'intelligence artificielle adaptatifs.

Reference: M. Chetto and R. El Osta, Towards Efficient Offloading of Time-Critical Tasks in Autonomous Edge-to-Fog Paradigms, FedCSIS'2026.

Ces travaux de thèse se situent à l'intersection des systèmes temps réel, de l'intelligence artificielle embarquée et de la collecte d'énergie (Energy Harvesting). L'objectif est de résoudre un arbitrage fondamental : exécuter des charges de travail IA complexes et dynamiques sur des dispositifs Edge monoprocesseurs autonomes en énergie, tout en fournissant des garanties strictes de temps et d'exécution.

Charges de travail IA dynamiques vs Ordonnancement déterministe : L'ordonnancement temps réel traditionnel repose sur des paramètres d'exécution fixes et déterministes (WCET). À l'inverse, les modèles d'IA Edge modernes présentent des temps d'exécution et des empreintes énergétiques variables selon les données d'entrée, l'élagage dynamique (dynamic pruning) ou les sorties précoces (early exits). Traduire une inférence IA dynamique en paramètres de tâches temps réel formels constitue un verrou majeur.

Prédictibilité sous alimentation intermittente : Les environnements à collecte d'énergie subissent des fluctuations environnementales imprévisibles. Le défi principal consiste à garantir le respect des échéances temps réel sans subir de coupure d'alimentation (zero power failure), ce qui transforme le niveau d'énergie en une contrainte temporelle dynamique.

Le compromis 3D Énergie-Latence-Précision : Le système doit en permanence arbitrer entre trois axes concurrents : la précision de l'inférence, le respect des échéances et la consommation d'énergie. La formalisation de ce cadre de décision dynamique et multi-objectif pour l'inférence progressive (par exemple via des modèles de calcul imprécis) demeure un problème de recherche ouvert.

Surcharge calculatoire (Overhead) ultra-faible : La plateforme cible étant un microcontrôleur monoprocesseur aux ressources très limitées, le moteur de décision à l'exécution et la politique d'ordonnancement doivent être extrêmement légers. Si la logique de prise de décision consomme trop de temps CPU ou d'énergie, elle annule les bénéfices énergétiques de la stratégie d'ordonnancement.

• Python
• Systèmes en temps réel
• Intelligence artificielle
• Développement logiciel