Transmission de puissance sans fil ultra basse fréquence pour l’alimentation de capteurs
Les technologies de transmission de puissance sans fil (TPSF) sont en pleine expansion, notamment pour la recharge sans fil des appareils électroniques de tous les jours mais aussi pour l’alimentation de nœuds de capteur communicants sans fil. Toutefois, leurs portées de transmission restent encore limitées et la haute fréquence de fonctionnement généralement utilisée interdit toute transmission d’énergie en présence ou à travers les milieux conducteurs (parois métalliques ou eau de mer). Cet aspect limite leur adoption en milieux complexes (industriels, bio-médicaux, ...). La technologie ultra basse-fréquence que notre laboratoire étudie est basée sur un système électromécanique récepteur comprenant une bobine et un aimant mis en mouvement par un champ magnétique émis à distance. Le but de la thèse consistera à proposer et développer des nouveaux concepts ultra basse-fréquence pour augmenter la portée de transmission tout en conservant des densités de puissance suffisantes pour l’alimentation de systèmes de capteurs. La thèse consistera donc à étudier, concevoir, optimiser et tester les performances de nouvelles topologies (forme du champ émetteur, géométries et matériaux du récepteur…). Le candidat sera amené à développer des modèles analytiques et numériques pour identifier les paramètres d’influence du système et comparer ses performances à la littérature (portées, densités de puissance, sensibilité à l’orientation). De plus, le candidat pourra proposer, développer et tester des électroniques de conversion d’énergie innovantes adaptées, côté émetteur et/ou récepteur pour étudier leurs impacts sur les performances du système. Une optimisation conjointe du système électromécanique et de son électronique associée pourra mener à la réalisation d’un système complet de transmission de puissance sans fil performant. Un profil pluridisciplinaire orienté physique et mécatronique est recherché pour cette thèse. En plus de solides bases théoriques, le doctorant devra posséder des capacités à travailler en équipe et une aptitude à l’expérimentation. Le doctorant sera intégré au Département Systèmes du CEA-Leti, au sein d’une équipe de chercheurs possédant de fortes compétences sur le développement et l’optimisation de systèmes électroniques et mécatroniques alliant des solutions innovantes pour la récupération d’énergie, la transmission de puissance sans fil, l’électronique basse consommation et l’intégration de capteurs pour le développement de systèmes autonomes.
Développement d’un système d’analyse par nanopore solide intégré
L’identification d’objets biologiques d’intérêt (ADN, ARN, protéines…) est rarement possible sur le terrain car elle demande des équipements encombrants, sensibles et/ou basés sur des consommables spécifiques difficiles d’accès ou de conservation. Pour se libérer de ces contraintes nous souhaitons développer une plateforme basée sur la technologie des nanopores solides qui pourrait s’adapter à de nombreux analytes de manière portable et agnostique.
On obtient un nanopore en perçant un trou nanométrique dans une membrane ultrafine de diélectrique grâce à un faisceau d’électrons par exemple. En exposant chaque face de cette membrane à un électrolyte et en appliquant une différence de potentiel de part et d’autre du pore on peut y faire passer un courant ionique mesurable. Quand une particule vient à passer à travers le pore elle modifie ce courant ionique ce qui nous donne des indications sur sa taille, sa charge, sa conformation.
Pour obtenir des résultats fiables avec cette technique il faut pouvoir contrôler chaque élément intervenant dans l’obtention du signal : le diélectrique et le nanopore ; le circuit électronique d’acquisition de ces signaux ; le circuit d’intégration fluidique et le programme d’interprétation des traces de courant. En partant du système le plus simple possible, le candidat devra faire avancer ces différentes thématiques, dans le cadre du séquençage de protéines, en s’appuyant sur les expertises au sein du Leti comme du laboratoire du Lambe.
CNN léger et GNN causal pour la compréhension des scènes
La compréhension des scènes est un défi majeur dans le domaine de la vision par ordinateur. Les approches récentes sont dominées par les transformers (ViT, LLM, MLLM), qui offrent des performances élevées mais à un coût computationnel important. Cette thèse propose une alternative innovante combinant des réseaux neuronaux convolutifs légers (Lightweight CNN) et des réseaux neuronaux graph causaux (Causal GNN) pour une analyse spatio-temporelle efficace tout en optimisant les ressources computationnelles. Les Lightweight CNN permettent une extraction haute performance des caractéristiques visuelles, tandis que les Causal GNN modélisent les relations dynamiques entre les objets dans un graphe de scène, répondant ainsi aux défis de la détection d'objets et de la prédiction des relations dans des environnements complexes. Contrairement aux modèles actuels basés sur les transformers, cette approche vise à réduire la complexité de calcul tout en conservant une précision compétitive, avec des applications potentielles dans la vision embarquée et les systèmes en temps réel.
Développement d’une analyse automatique des spectres gamma à l’aide d’un algorithme hybride machine learning pour la caractérisation radiologique des installations nucléaires en cours de démantèlement.
L’application de la spectrométrie gamma à la caractérisation radiologique dans le cadre du démantèlement des installations nucléaires, nécessite le développement d’algorithmes spécifiques pour l’analyse automatique des spectres. En particulier, la classification des déchets en béton, suivant leur niveau de contamination, représente un enjeu crucial pour le contrôle du coût de démantèlement.
Au sein du CEA/List, le LNHB en collaboration avec le CEA/DEDIP, est impliqué depuis quelques années dans le développement d’outils d’analyse automatique des spectres gamma à faible statistique, pouvant notamment être appliqués aux détecteurs scintillateurs (NaI(Tl), plastiques). Dans ce contexte, une approche originale fondée sur un algorithme hybride machine learning/statistique de démélange spectral, a été développée pour l’identification et la quantification de radionucléides en présence de fortes déformations du spectre mesuré, dues notamment aux interactions de l’émission gamma de la source radioactive avec son environnement.
Le sujet proposé fait suite aux travaux de thèse ayant permis le développement l’algorithme hybride dans le but d’étendre cette approche à la caractérisation radiologique des surfaces en béton. Le candidat sera impliqué dans l’évolution de l’algorithme hybride machine learning/statistique pour la caractérisation de béton pour le classement en déchets conventionnels. Le travail comprendra une étude de faisabilité de la modélisation des écarts du modèle appris pour optimiser la robustesse de la prise de décision.
Commande optimisée d’un hub énergétique modulaire à signature CEM minimal
L’intégration des EnRs devient de nos jours un enjeu important pour les convertisseurs de puissance. La multiplication de ces convertisseurs et leur taux d’utilisation moyen permet de repenser la gestion des échanges d’énergie au niveau système. Ceci nous amène au concept de hub énergétique permettant d’interfacer par exemple un panneau photovoltaïque, un véhicule électrique, un réseau et du stockage stationnaire avec les charges.
Le but principal de cette thèse est d’améliorer l’efficacité, la compacité et la modularité du hub énergétique par le contrôle. Pour cela, plusieurs idées émergent, comme le contrôle avancé permettant de minimiser les pertes, la mise en opposition d’entrée alternative (AC) permettant de réduire le filtrage de compatibilité électromagnétique (CEM), la mise en série/parallèle de sortie continue (DC) permettant d’adresser des batteries 400Vdc/800Vdc, l’augmentation de fréquence de découpage permettant de réduire le volume etc…
Cette thèse permettra donc à moyen terme d’avoir un convertisseur optimal aussi bien énergétiquement qu’environnementalement.
Mécanismes d’apprentissage pour la détection de comportements anormaux dans les systèmes embarqués
Les systèmes embarqués sont de plus en plus utilisés dans des infrastructures critiques (e.g. réseau de production d’énergie) et sont donc des cibles d’attaques privilégiées pour des acteurs malicieux. L’utilisation de systèmes de détection d’intrusion (IDS) analysant dynamiquement l’état du système devient nécessaire pour détecter une attaque avant que ses impacts ne deviennent dommageables.
Les IDS qui nous intéresse sont basés sur des méthodes de détection d’anomalie par machine learning et permettent d’apprendre le comportement normal d’un système et de lever une alerte à la moindre déviation. Cependant l’apprentissage du comportement normal par le modèle est fait une seule fois en amont sur un jeu de données statique, alors même que les systèmes embarqués considérés peuvent évoluer dans le temps avec des mises à jour affectant leur comportement nominal ou l’ajout de nouveaux comportements jugés légitimes.
Le sujet de cette thèse porte donc sur l’étude des mécanismes de réapprentissage pour les modèles de détection d’anomalie pour mettre à jour la connaissance du comportement normal par le modèle sans perdre d’information sur sa connaissance antérieure. D’autres paradigmes d’apprentissage, comme l’apprentissage par renforcement ou l’apprentissage fédéré, pourront aussi être étudiés pour améliorer les performances des IDS et permettre l’apprentissage à partir du comportement de plusieurs systèmes.
Amélioration du Reverse-Engineering par Side-Channel
La caractérisation de la sécurité des systèmes embarqués en « boite noire » ou « boite grise » face aux attaques Side-Channel requiert fréquemment une phase préparatoire de Reverse-Engineering, qui peut être particulièrement chronophage, notamment sur un Sytem-on-Chip complexe que l’on peut retrouver sur smartphone ou dans l’automobile. Cette phase peut, par exemple, consister en la détection d’une primitive cryptographique au sein de mesures Side-Channel pour une future attaque par observation, ou d’une routine cible pour une attaque par perturbation. L’objectif de cette thèse est de développer une méthodologie et des outils non-profilés permettant l’automatisation de cette phase de détection, tout en permettant d’exploiter la connaissance a priori d’un potentiel attaquant.
Modélisation électromagnétique des signatures radar et IA pour la reconnaissance d’objets
Cette thèse offre une opportunité unique de travailler à l’interface entre l’électromagnétisme, la simulation numérique et l’intelligence artificielle, afin de contribuer au développement des systèmes intelligents de détection et de reconnaissance de nouvelle génération. Le/la stagiaire intégrera le Laboratoire Antenne et Propagation (LAPCI) du CEA-LETI, à Grenoble (France), un environnement de recherche de rang mondial disposant d’équipements à la pointe de la technologie pour la caractérisation et la modélisation du canal de propagation, tels que des sondeurs de canal, des émulateurs, des chambres anéchoïques et des simulateurs électromagnétiques avancés. Une collaboration avec l’Université de Bologne (Italie) est prévue durant la thèse.
Cette thèse vise à développer des modèles électromagnétiques avancés de rétrodiffusion radar en champ proche, adaptés aux systèmes radar et JCAS opérant aux fréquences mmWave et THz. Les travaux porteront sur la modélisation physique de la signature radar d’objets étendus, en tenant compte des effets de champ proche, des configurations multi-statiques et multi-antennes, ainsi que de l’influence des matériaux et de l’orientation des cibles. Ces modèles seront validés par simulations électromagnétiques et par des campagnes de mesures, puis intégrés dans des outils de simulation de scène et de propagation multi-trajets de type ray-tracing. Les signatures radar ainsi obtenues seront exploitées pour entraîner des algorithmes d’intelligence artificielle dédiés à la reconnaissance d’objets, à l’inférence des propriétés des matériaux et à l’imagerie radar. En parallèle, des approches d’IA assistée par la physique seront étudiées afin d’accélérer les simulations électromagnétiques et de réduire leur complexité computationnelle. L’objectif final de la thèse est d’intégrer ces informations issues de la rétrodiffusion radar dans un framework de Semantic Radio SLAM 3D, afin d’améliorer la localisation, la cartographie et la compréhension de l’environnement dans des scénarios complexes ou partiellement masqués.
Nous recherchons un(e) étudiant(e) de niveau école d’ingénieur ou Master 2, avec de solides bases en traitement du signal, électromagnétisme, radar ou télécommunications. Un intérêt pour l’intelligence artificielle, la modélisation physique et la simulation numérique est attendu. Des compétences en programmation (Matlab, Python) seront appréciées, ainsi qu’une capacité à travailler à l’interface entre modèles théoriques, simulations et expérimentations. Curiosité scientifique, autonomie et motivation pour la recherche sont essentielles.
La candidature doit inclure un CV, un relevé de notes et une lettre de motivation.
Etude des modes et des mécanismes de défaillances des commutateurs RF à base de matériaux à changement de phase
Les commutateurs à base de matériaux à changement de phase (Phase Change Material, PCM) démontrent d'excellente performances RF (FOM <10fs) et peuvent être cointégrés dans le BEOL des filières CMOS. Leur fiabilité reste cependant très peu étudiée aujourd'hui. Des modes de défaillances tels qu'une rupture du heater, la ségrégation ou l'apparition de cavités dans le matériau sont montrés lors de tests d'endurance, mais les mécanismes d'apparition de ces défaillances ne sont pas discutés. L'objectif de cette thèse sera donc d'étudier les modes et les mécanismes de défaillances pour différentes conditions opératoires (endurance, maintien, puissance). L'analyse se fera au travers de caractérisations électriques et physiques et des méthodes de vieillissement accéléré seront mise en œuvre.
Capteur quantique-radiofréquence hybridé
A travers l’action exploratoire Carnot SpectroRF, le CEA Leti s’implique dans les systèmes de capteurs radiofréquences à base de spectroscopie optique atomique. L’idée sous-jacente de ce développement repose sur le fait que ces systèmes offrent des performances de détection exceptionnelles. Avec notamment, une sensibilité´ élevée (~nV.cm-1.Hz-0.5), des bandes passantes très larges (MHz- THz), une taille indépendante de la longueur d'onde (~cm) et une absence de couplage avec l'environnement. Ces avantages surpassent les capacités des récepteurs conventionnels a` base d'antennes pour la détection des signaux RF.
L'objectif de cette thèse est d'investiguer une approche hybride pour la réception de signaux radiofréquences, en combinant une mesure de spectroscopie atomique basée sur des atomes de Rydberg avec la conception d'un environnement proche à base de métal et/ou de matériau chargé pour la mise en forme et l'amplification locale du champ, que ce soit par l'utilisation de structures résonantes ou non, ou de structures focalisantes.
Dans le cadre de ces travaux, la question scientifique principale consiste à déterminer les opportunités et limites de ce type d’approche en formulant analytiquement les limites de champs imposables aux atomes de Rydberg, que ce soit en valeur absolue, en fréquence ou dans l’espace, et cela pour une structure donnée. L’approche analytique sera agrémentée de simulations EM pour la conception et la modélisation de la structure associée au banc de spectroscopie optique atomique. La caractérisation finale se fera par mesure dans un environnement électromagnétique contrôlé (chambre anéchoïque).
Les résultats obtenus permettront d'effectuer une comparaison modèle-mesures. Les modélisations analytiques ainsi que les limites théoriques qui en découlent donneront lieu à des publications sur des sujets qui n’ont pas encore fait l'objet d'investigations dans l’état de l’art. Les structures développées dans le cadre de ces travaux de thèse pourront faire l'objet de brevets directement valorisables par le CEA.