CEA 嵌入式人工智能实验室招募博士生
-
公司简介
CEA（法国原子能和可再生能源委员会）是一个公共研究机构。它在研究、开发和创新领域发挥着重要作用。CEA有四个任务：安全与防御、核能（裂变和聚变）、工业技术研究和基础研究。CEA 拥有16000名员工，包括技术人员、工程师、研究人员和支持人员，参与了与学术和工业伙伴合作的众多研究项目。
在CEA专注于工业技术研究的部分，LIST研究所专注于智能数字系统。该研究所拥有创新文化，并以向工业伙伴转让这些技术为使命。DSCIN部门专门研究用于人工智能（AI）、高性能计算（HPC）和网络安全应用的复杂数字和嵌入式系统。LIAE实验室的重点是嵌入式人工智能，感知与多模态传感器（包括视觉传感器）相结合。该实验室位于巴黎地区（Palaiseau）。
工作职责
该博士职位目标是研究基于注意力的新模型（如 transformers）对语音增强的贡献，并提出一个系统化的程序，以充分降低此类算法的复杂性，使其能够嵌入到便携式设备上，同时仍能满足通过对病人进行听力测试而确定的质量估计标准。
入选者将探索诸如迁移学习和知识蒸馏的方法，以减少模型的复杂性，同时保持性能。以及探索在模型中强制执行稀疏性的方法，以促进有效的剪枝[6]，并进行基于量化[7]的初步实验，以减少整体模型的复杂性。后面这些方法会带来性能下降。还需要分析复杂性降低和性能下降之间的关系，以便在信号/线索估计性能下定义复杂性降低方法。
工作的目的是探索基于人工智能的新方法，以改善ANSD患者的听力。涉及以下三个要点：
人工智能在听力方面的应用是一个相当新的课题：这项研究涉及到对目前使用的各种类型的网络的研究，探索新出现的网络的相关性，如基于注意力机制的 transformer，以及迁移学习的相关性
考虑到应用于ANSD的特殊情况，它不同于增强和源分离[5]
为了尊重嵌入设计的限制，如低功耗、延迟、小内存和计算尺寸，这项工作将探索不同的神经网络压缩技术的相关性，如量化、知识蒸馏或其他参数减少方法
任职要求
工程师或大学毕业生，无不良记录
有良好的计算机科学知识，包括音频信号处理和电子学方面的知识和人工智能的学习经验。
掌握计算机开发（C/C++）
具有良好的法语和英语口语和写作能力申请方式
截止日期：2023年6月30日
合同期限：3年
申请方式：https://www.hipeac.net/jobs/13723/neural-networks-for-improving-speech-understanding-in-real-time-embedded-systems/ 进行在线申请
联系方式：Fabrice Auzanneau (fabrice.auzanneau@cea.fr）References
[1] Kolbaek, M. et al. Multitalker Speech Separation With Utterance-Level Permutation Invariant Training of Deep Recurrent Neural Networks. IEEE/ACM Trans. Audio, Speech and Lang. Proc. 25, 1901–1913 (2017).
[2] Luo, Y., Chen, Z., Mesgarani, N. & Yoshioka, T. End-to-end Microphone Permutation and Number Invariant Multi-channel Speech Separation. arXiv:1910.14104 [cs, eess] (2020).
[3] Furnon, N., Serizel, R., Illina, I. & Essid, S. Distributed speech separation in spatially unconstrained microphone arrays. in ICASSP 2021 - 46th International Conference on Acoustics, Speech, and Signal Processing (2021).
[4] Heymann, J., Drude, L. & Haeb-Umbach, R. Neural network based spectral mask estimation for acoustic beamforming. in 2016 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 196–200 (2016). doi:10.1109/ICASSP.2016.7471664.
[5] Berlin, C. I. et al. Multi-site diagnosis and management of 260 patients with auditory neuropathy/dys-synchrony (auditory neuropathy spectrum disorder). Int J Audiol 49, 30–43 (2010).
[6] Blalock, D. et al. What is the State of Neural Network Pruning? Proceedings of Machine Learning and Systems 2020 (MLSys 2020) https://arxiv.org/abs/2003.03033
[7] Gholami, A. et al. A Survey of Quantization Methods for Efficient Neural Network Inference. https://arxiv.org/abs/2103.13630
