Thèse cotutelle— Implémentation d’un algorithme de tri de potentiels d’action (Spike Sorting) sur une plateforme hybride FPGA/ASIC pour les interfaces cerveau–machine de nouvelle génération

Description du projet

Contexte:
Les nouvelles technologies d’interfaces cerveau–machine (BCI) ont pour ambition d’aider les personnes en situation de handicap à retrouver certaines fonctions perdues, telles que le mouvement ou la communication. L’un des principaux défis pour faire progresser ces systèmes réside dans leurs exigences computationnelles : les BCIs actuelles génèrent d’immenses flux de données, consomment beaucoup d’énergie et reposent souvent sur des architectures centralisées peu adaptées au traitement temps réel et aux applications embarquées.
Pour surmonter ces limitations, nous proposons une approche innovante fondée sur le calcul neuromorphique, un paradigme d’intelligence artificielle inspiré de l’architecture et du fonctionnement du cerveau. Contrairement aux systèmes numériques traditionnels, les plateformes neuromorphiques utilisent du matériel économe en énergie et des algorithmes événementiels imitant le traitement neuronal. Cette approche permet une analyse rapide et à très faible consommation des signaux neuronaux directement sur des dispositifs miniaturisés — une capacité particulièrement adaptée aux futures applications BCI embarquées.

Description du projet:
Nous avons développé une chaîne de traitement neuromorphique [1] basée sur les Locally Competitive Algorithms (LCA) pour le tri de potentiels d’action (spike sorting), appelée NSS (Neuromorphic Spike Sorting). NSS a été validé par simulation et a montré des performances prometteuses sur du matériel neuromorphique tel que Loihi 2.
L’objectif de cette thèse est d’améliorer encore les capacités de NSS en l’implantant sur un matériel neuromorphique hybride analogique–numérique. Plus précisément, nous souhaitons déployer NSS sur la plateforme neuromorphique développée au 3IT, qui combine :
• des architectures FPGA numériques offrant flexibilité et reconfigurabilité,
• des circuits analogiques CMOS/mémristifs apportant efficacité énergétique et traitement basse latence.
Cette approche hybride a le potentiel de faire progresser de manière significative le traitement neuromorphique embarqué pour les applications BCI temps réel.

Missions du doctorant:
Le doctorant sera chargé de concevoir des méthodologies innovantes pour relier les algorithmes neuromorphiques aux contraintes physiques du matériel cible. Ce travail de co conception matériel/logiciel impliquera :
• le développement et l’adaptation d’algorithmes d’apprentissage et neuromorphiques liés à NSS ;
• la prise en compte des contraintes analogiques et mixtes (mixed signal) dans la conception ;
• la mise en œuvre, la programmation et les tests sur FPGA et circuits neuromorphiques analogiques.

Environnement du travail: 
Réalisé en cotutelle entre l’Université de Lille et l’Université de Sherbrooke, le projet offre un environnement interdisciplinaire unique. Le doctorant collaborera étroitement avec :
• le centre de neurosciences LilleAndCog (Lille, France) — tri de spikes et traitement des signaux neuronaux,
• le 3IT / LN2 (Sherbrooke, Canada) — matériel neuromorphique et IA embarquée.
Le candidat participera également à l’initiative ANR Gneuro, en interaction avec plusieurs équipes travaillant sur :
• la culture de neurones biologiques (UGA – Grenoble),
• la fabrication de microélectrodes pour l’électrophysiologie (IEMN – Lille),
• l’analyse des biosignaux et la modélisation neuromorphique (LilleAndCog / 3IT LN2).

Profil recherché:
Le ou la candidate idéale possédera :
• une solide formation en génie électrique, génie informatique, ou domaine connexe ;
• des compétences avancées en programmation et tests dans les environnements analogiques et numériques ;
• des connaissances en apprentissage automatique, calcul neuromorphique ou systèmes embarqués (atout) ;
• des notions en biotechnologie ou neurosciences (atout) ;
• d’excellentes capacités de communication, d’adaptation et d’organisation, essentielles pour la gestion d’une cotutelle.

La cotutelle délivrera au doctorant un double diplôme de l’Université de Lille et de l’Université de Sherbrooke.

Référence
[1] Unsupervised Sparse Coding-based Spiking Neural Network for Real-time Spike Sorting,
A. Melot, S. U. N. Wood, Y. Coffinier, P. Yger, F. Alibart, Neuromorphic and Computing Engineering, 2025.

Financement offert

À discuter

La dernière mise à jour a été faite le 30 janvier 2026. L’Université se réserve le droit de modifier ses projets sans préavis.