Conception et fabrication de circuits neuromorphiques basés sur des dispositifs ioniques
Les réseaux de neurones (NN) sont inspirés des processus de calcul et de communication du cerveau afin de résoudre efficacement des tâches telles que l'analyse de données, le traitement adaptatif de signaux en temps réel, et la modélisation de systèmes biologiques. Cependant, les limitations matérielles constituent actuellement le principal obstacle à une adoption à grande échelle. Pour y remédier, un nouveau type d'architecture de circuit appelé "circuit neuromorphique" est en train d’émerger. Ces circuits imitent le comportement des neurones en intégrant un haut degré de parallélisme, une connectivité adaptable et un calcul en mémoire. Les transistors à base d'ions ont été récemment étudiés pour leur potentiel à fonctionner comme neurones et synapses artificiels. Bien que ces dispositifs émergents présentent d’excellentes propriétés en raison de leur très faible consommation d'énergie et de leurs capacités de commutation analogique, ils nécessitent encore une validation à l’échelle de systèmes plus larges.
Dans l'un des laboratoires du CEA-Leti, nous développons de nouveaux transistors à base de lithium en tant que brique de base pour déployer des réseaux de neurones artificiels à faible consommation d'énergie. Ces dispositifs doivent désormais être intégrés dans un système réel pour évaluer leur performance et leur potentiel. En particulier, des circuits bio-inspirés et des architectures en barre croisée pour le calcul accéléré seront ciblés.
Au cours de cette thèse, votre objectif principal sera de concevoir, implémenter et tester des réseaux de neurones basés sur des matrices de transistors à base de lithium (~20x20) et des circuits neuromorphiques, ainsi que la logique CMOS de lecture et d’écriture pour les contrôler. Les réseaux pourront être implémentés en utilisant différents algorithmes et architectures, y compris les réseaux de neurones artificiels, les réseaux de neurones impulsionnels et les réseaux de neurones récurrents, qui seront testés pour résoudre des problèmes de reconnaissance de motifs spatiaux et/ou temporels et pour reproduire des fonctions biologiques telles que le conditionnement pavlovien.
Etude de la stabilité de structures Si-CMOS pour la réalisation de qubits de spin
Les qubits de spin dans les structures CMOS à base de silicium se démarquent par leur compatibilité avec les technologies de semi-conducteurs et leur potentiel de mise à l'échelle. Toutefois, les impuretés et les défauts introduits lors de la fabrication, entraînent du bruit et de l'instabilité, ce qui affecte leurs performances.
L'objectif est de caractériser des dispositifs fabriqués au CEA-Leti, de la température ambiante à cryogénique, pour évaluer leur qualité et comprendre les mécanismes physiques responsables de leur instabilité. Le but est d'améliorer la conception des dispositifs et idéalement de mettre en place une méthode d'identification des dispositifs les plus prometteurs sans nécessiter des mesures à très basses températures.
Le candidat devra avoir des compétences dans les domaines suivants :
- Physique expérimentale et des semi-conducteurs.
- Programmation d'algorithmes et analyse de données.
- Connaissance en nano-fabrication, physique des basses températures et physique quantique (souhaitable).
In-Sensor Computing pour les Capteurs MEMS : vers un réseau de neurones électromécaniques
L'essor des modèles d'apprentissage automatique pour le traitement des données issues de capteurs a conduit au développement de l'Edge-AI, qui vise à effectuer ces traitements localement, directement au niveau des capteurs. Cette approche réduit la quantité de données transmises et allège les centres de calcul centralisés, offrant ainsi une solution pour diminuer la consommation énergétique globale des systèmes. Dans ce contexte, le concept d'in-sensor computing émerge, intégrant acquisition et traitement des données au sein du capteur lui-même. En exploitant les propriétés physiques des capteurs et des paradigmes de calcul alternatifs tels que le reservoir computing et le calcul neuromorphique, l'in-sensor computing élimine les étapes énergivores de conversion et de traitement des signaux dans le domaine électrique.
L'application de ce concept aux capteurs MEMS permet le traitement de signaux tels que l'accélération, la contrainte ou les signaux acoustiques, avec une réduction significative, voire une élimination, des composants électroniques traditionnels. Cela a ravivé l'intérêt pour les dispositifs de calcul mécanique et leur intégration dans des capteurs MEMS. Quelques recherches récentes explorent des dispositifs MEMS innovants intégrant des réseaux de neurones récurrents ou du reservoir computing, montrant un potentiel prometteur pour l'efficacité énergétique. Cependant, ces avancées restent encore limitées à des démonstrations de concept pour des tâches de classification élémentaire avec un très faible nombre de neurones.
Sur la base de notre expertise acquise en calcul à base de MEMS, ce travail de doctorat propose de pousser ces concepts plus loin en développant un dispositif MEMS intégrant un réseau de neurones, à plusieurs couches, reprogrammable avec des capacités d'apprentissage, un résultat qui aurait bien au-delà de l'état de l'art. A terme, l'objectif est de concevoir un capteur intelligent, combinant détection et prétraitement sur une même puce, et optimisé pour fonctionner avec une consommation énergétique extrêmement faible, de l'ordre du femtoJoule par activation. Cette thèse se concentrera sur l'exploration, la conception et la caractérisation de ce nouveau neurone MEMS, en ciblant des applications de traitement de signaux basse fréquence dans des environnements à haute température, ouvrant la voie à une déclinaison de l'edge-IA dans le domaine des MEMS.