Thèse Génération d'Outils d'Inférence à Base de Techniques Mlir pour la Gestion des Gradients et de la Précision Mixte sur des Cibles Matérielles Variées H/F Doctorat.Gouv.Fr

Les verrous principaux sont : (i) le calcul rapide et précis des gradients dans des boucles itératives ; (ii) la portabilité et l'optimisation sur architectures hétérogènes (CPU, GPU, FPGA, ARM, RISC-V, SiPearl) ; (iii) la gestion multi-précision (FP32, FP16, INT8, ...) sans dégrader la qualité des gradients ; (iv) l'interopérabilité entre frameworks IA (PyTorch, TensorFlow, JAX, ...) et solveurs physiques HPC ; (v) la latence, la bande passante mémoire et la robustesse en contexte industriel.

L'axe central repose sur l'infrastructure MLIR (Multi-Level Intermediate Representation) : dialectes et passes pour intégrer gradients / autodiff, multi-précision et génération de code performant vers des backends variés (y compris approches de type Kokkos). Les prototypes seront évalués en latence, précision et énergie, puis intégrés dans des pipelines hybrides IA-numérique, en lien avec la plateforme Arcane et les besoins IFPEN (API d'inférence prévue dès 2026), ainsi que les initiatives NumPEx / Koktails.

Résultats attendus : moteurs d'inférence avec gradients et multi-précision ; méthodologie d'hybridation IA / solveurs ; extensions MLIR portables ; démonstrations sur cas industriels. La thèse enrichira l'état de l'art en compilation pour l'IA hybride et fournira à IFPEN des briques opérationnelles pour des simulations accélérées et frugales. À IFPEN, l'hybridation de codes numériques non linéaires avec des modèles d'IA (substitution de modèles locaux thermodynamiques, géochimiques ou mécaniques au sein d'EDP globales) nécessite des moteurs d'inférence à faible latence capables de fournir des gradients fiables (différentiation automatique) dans des boucles itératives intensives. Les frameworks classiques (TensorFlow, PyTorch) ne sont pas toujours adaptés à ces usages d'inférence dérivée en contexte HPC massivement parallèle.

L'état de l'art combine : extensions des compilateurs d'inférence (ex. PyTorch Compiler) ; paradigmes autodiff (JAX, DiffSharp) ; multi-précision / quantification ; runtimes edge/HPC (ex. TensorRT) ; et surtout MLIR, infrastructure multi-niveaux pour dialectes spécialisés, hétérogénéité matérielle et chaînes de compilation custom. Des travaux récents montrent l'intérêt de MLIR pour la portabilité (backends type Kokkos) et la génération de gradients par transformation de code.

Cette thèse se situe à l'intersection compilation / HPC / IA systems : produire des outils d'inférence « gradients + multi-précision » générés via MLIR, déployables sur cibles variées, et intégrables dans les simulateurs IFPEN, en synergie avec NumPEx / Koktails et l'écosystème Arcane.