Liens vers les séminaires de 2024, 2023 2022, 2021, 2020, 2019, 2018, 2017, 2016, 2015, 2014, 2013, 2012, 2011, 2010
Romain BORGNA (Ampère)
17/01/2025, 12:30-14h, salle Chaussey au H9 (ECL) et en ligne : RFID en mode impulsionnel : Architecture d’un décodeur conforme au protocole RFID
La RFID (en anglais RadioFrequency IDentification) est une technologie permettant d’identifier des objets, appelés étiquettes, à l’aide d’ondes radiofréquences émises par une source d’onde, appelée lecteur. Cette technologie est largement déployée dans des applications industrielles, nécessitant d’identifier rapidement un grand nombre d’objets, comme le contrôle des stocks d’un entrepôt ou le suivi de colis dans une plateforme de tri. Dans ce contexte, pour réduire les coûts, les étiquettes ne possèdent pas de batteries et sont exclusivement alimentées par les ondes émises par le lecteur. L’enjeu est donc d’optimiser le transfert d’énergie sans fil du lecteur vers l’étiquette, tout en assurant l’échange des informations d’identifications de l’étiquette vers le lecteur par rétromodulation.
Il a été montré dans la littérature que la forme d’onde utilisée classiquement pour la communication, une porteuse sinusoïdale modulée en amplitude, n’était pas optimal pour le transfert d’énergie. Plusieurs formes d’onde ont ainsi été proposées pour améliorer le transfert d’énergie, notamment un signal multi-porteuse modulé en amplitude, que l’on appellera mode impulsionnel. Ce signal permet de tirer parti des non-linéarités de l’étiquette pour augmenter l’énergie récupérée. De plus, ce signal réparti l’énergie sur plusieurs fréquences, permettant de meilleures performances lors de communications dans des milieux sélectifs en fréquences. Cependant, aucune architecture complète de lecteur, tenant compte du protocole de communication RFID, n’a été proposée en mode impulsionnel.
L’objectif de cette thèse est de proposer une architecture de lecteur adapté aux spécificités du mode impulsionnel, d’un point de vue théorique et expérimental. Quatre grandes fonctionnalités sont requises pour ce lecteur :
Un décodeur conforme au protocole de communication en RFID, permettant de détecter un message rétromodulé par l’étiquette et de le décoder pour identifier l’étiquette.
Un détecteur de collision, permettant de gérer les cas où deux étiquettes répondent simultanément au lecteur.
Un démodulateur impulsionnel, permettant de gérer les différentes porteuses du signal radiofréquence et d’exploiter l’information présente sur chaque porteuse.
Un bloc d’apprentissage de canal, afin d’adapter la forme d’onde utilisée au milieu de propagation.
Cette présentation se concentrera sur l’architecture d’un décodeur conforme au protocole de communication en RFID UHF (Ultra Haute Fréquence). Les performances de cette méthode sont évaluées, en tenant compte des variations possibles sur la fréquence de rétromodulation des données de l’étiquette.
Cécile PERNIN (Ampère)
29/01/2025, 12:30-14h, salle Chaussey au H9 (ECL) et en ligne : rejet d’une perturbation non linéaire, possiblement instable, dont on contrôle la dynamique.
Les gyromètres CVG (Gyromètres Vibrants de Coriolis) MEMS (en anglais Micro Electro Mechanical Systems) sont des capteurs micro-électroniques conçus pour mesurer une vitesse de rotation en utilisant l’effet Coriolis. Par rapport à d’autres types de gyromètres, ils sont plus petits et moins chers, mais aussi moins performants. Un enjeu industriel important est de parvenir à améliorer leurs performances. Cela nécessite l’utilisation de deux lois de commande par rétroaction.
La première doit permettre de faire osciller un système LTI (Linéaire Temps Invariant) du second ordre à sa pulsation de résonance, non connue a priori et pouvant évoluer dans le temps. Elle est réalisée au moyen d’un correcteur non linéaire dit AGCNL.
La seconde doit permettre de rejeter une perturbation non linéaire, possiblement instable, générée par le système oscillant précédent.
Dans cette présentation, nous nous concentrons sur la deuxième loi de commande.
L’utilisation d’un correcteur non linéaire pour la première boucle de commande explique que la perturbation à rejeter soit non linéaire, possiblement instable. La solution de modélisation largement utilisée dans la littérature est de l’approximer comme un signal sinusoïdal. Cependant, nous montrons que cette modélisation n’est pas la plus adaptée et dégrade les performances.
Par rapport aux solutions proposées dans la littérature, nous cherchons à exploiter les informations connues mesurées sur la perturbation. Nous proposons une modélisation LPV (Linéaire à Paramètres Variants dans le temps) de la perturbation, exprimant le couplage physique du correcteur AGCNL avec la perturbation.
Cependant, cette modélisation LPV de la perturbation est possiblement instable. Aussi, nous proposons une méthode pour déterminer un correcteur rejetant une perturbation instable, d’abord validée dans le cas LTI, puis généralisée au cas LPV.
Nous obtenons alors un correcteur LPV par des méthodes de synthèse LPV standards. En exploitant la structure particulière du problème et des méthodes de synthèse LPV moins standards, mais pour lesquelles il existe des algorithmes de résolution efficaces, nous obtenons également un correcteur LPV de complexité réduite.
Comparé à un correcteur LTI obtenu avec les hypothèses simplificatrices de modélisation de la perturbation de la littérature, nous montrons en simulation l’efficacité supérieure du correcteur LPV standard et du correcteur LPV de complexité réduite pour le rejet de la perturbation, sous réserve pour le correcteur LPV de complexité réduite d’avoir une bonne estimation préalable de la vitesse de rotation.
Marco FORGIONE (senior researcher à l’Institut Dalle Molle d’Intelligence artificielle (IDSIA) à Lugano en Suisse)
17/06/2025, 12:30-14h, salle Chaussey au H9 (ECL) et en ligne : System Identification Meets Machine Learning : From Model Order Reduction to Meta-Learning
This seminar presents recent research at the intersection of system identification and machine learning. The first part of the talk focuses on deep structured state-space models, which integrate linear dynamical systems into deep learning architectures for sequence modelling. While these models achieve strong predictive performance, their complexity introduces computational challenges. To address this, we apply model order reduction techniques rooted in system theory to simplify the linear components without sacrificing accuracy. The second part of the talk focuses on meta-learning for dynamical systems. Traditional system identification relies on manually designed algorithms to fit each individual dataset. In contrast, we adopt a meta-learning approach, where the goal is to learn, across a distribution of datasets, an identification procedure that can be applied to an entire class of problems.
Usman KHAN (Tufts University, USA)
02/07/2025, 14-15h, salle de co-design au SKYLAB (ECL, Ecully) et en ligne : Distributed Training of Large Language Models : Optimal rates for stochastic non-convex problems
In many emerging applications, it is of paramount interest to learn hidden parameters from data. For example, self-driving cars may use onboard cameras to identify pedestrians, highway lanes, or traffic signs in various light and weather conditions. Problems such as these can be framed as classification, regression, or risk minimization in general, at the core of which lies stochastic optimization and machine learning. In many practical scenarios, e.g., pre-training or fine-tuning of large language models (LLMs), distributed and decentralized methods for optimization and machine learning are regularly deployed as they benefit from a divide-and-conquer approach
towards storage and computation. In particular, data and computation is distributed over several nodes (devices, robots) that collaborate locally over nearby nodes for global model training. In this talk, I will present our collection of work that develops novel algorithmic frameworks to address various aspects of distributed stochastic optimization for non-convex problems. A major focus will be to characterize regimes where distributed solutions outperform their centralized counterparts and lead to optimal convergence rates and guarantees. I will conclude by showing some
of our recent results on distributed fine-tuning of vision transformers and their extensions to multi-modal LLMs.
Hassan MAHER (LN2)
25/09/2025, 13h, Salle de conférences du laboratoire Ampère, 3e étage L de Vinci : Les activités de recherche sur les filières technologiques à base de GaN développées au LN2
Le nitrure de gallium (GaN) est un matériau III-V reconnu pour ses propriétés exceptionnelles, combinant une large bande interdite et une grande mobilité électronique, une association rare qui permet d’atteindre des performances inégalées dans les applications de puissance et de radiofréquence (RF). Ce séminaire présentera les activités de recherche menées au LN2 autour du développement de composants de puissance horizontaux et verticaux ainsi que de transistors RF HEMT à faible longueur de grille.