Design des différents blocs d'un algorithme de calcul hyperdimensionel au sein de matrices mémoires non-volatiles
Pour répondre à différents enjeux scientifiques et sociétaux, les circuits intégrés de demain doivent gagner en efficacité énergétique. Or, la majorité de leur énergie est aujourd’hui consommée par les transferts de données entre les blocs mémoire et logique dans des architectures circuit de type Von-Neumann. Une solution émergente et disruptive à ce problème consiste à rendre possible des calculs directement dans la mémoire (« In-Memory Computing »). Dans le cadre de ce projet Carnot, nous proposons d’étudier la théorie du calcul hyper-dimensionnel (HDC) qui est aujourd’hui envisagée pour répondre au besoin de l’apprentissage machine dans le domaine de l’intelligence artificielle. Pour tester cette théorie, nous proposons de l’appliquer à la détection et à la classification de signaux physiologiques pour la reconnaissance de gestes. Ce domaine de recherche très prometteur pour les applications liées à l’interaction homme-machine, donne la possibilité a un utilisateur d’interagir directement par son activité musculaire.
Par rapport aux autres méthodes de classification, le calcul HDC présente des atouts importants : il est simple dans le sens où il s’appuie sur des opérations élémentaires, une seule passe est nécessaire pour l’entrainement (donc pas de rétro-propagation avec une mise à jour de poids synaptiques). Le fait qu’une entité soit représentée sur un vecteur de grande dimension (hyper-vecteur) rend cette approche peu sensible aux erreurs et aux bruits, ce qui représente un atout majeur pour travailler avec des signaux physiologiques.
Modélisation thermodynamique des oxydes complexes pour les capteurs intelligents
La recherche de matériaux plus efficaces suit un schéma qui a très peu changé au fil des ans, impliquant des phases peu automatisées de synthèse et de caractérisation. Bien que ce schéma ait prouvé sa force dans la création de bases de connaissances, il reste inefficace car il est chronophage et couvre généralement une gamme réduite de compositions. Le projet Hiway-2-mat (https://www.pepr-diadem.fr/projet/hiway-2-mat/) vise à utiliser des approches combinatoires à haut débit et à développer des configurations autonomes pour explorer les espaces de composition des matériaux d'oxyde complexes, dans le but d'accélérer la découverte de matériaux pour les capteurs intelligents. Dans ce contexte, la méthode CALPHAD est un outil précieux pour l'exploration des matériaux, car elle peut fournir des informations sur le rôle de l'état d'oxydation ou de la pression partielle de l'oxygène sur la stabilité de la phase, et sur le degré de substitution des éléments dopants dans une matrice d'oxyde. L'objectif est de calculer les diagrammes de phase d'oxydes complexes à partir des bases de données disponibles, soit pour mieux préparer les expériences combinatoires, soit pour piloter le robot autonome à la volée, en fournissant des informations supplémentaires pour la caractérisation en ligne.
Votre rôle sera de:
1)Effectuer des simulations thermodynamiques en utilisant la méthode CALPHAD et le logiciel Thermo-Calc pour prédire la gamme de stabilité d'un ensemble d'oxydes complexes (Ba/Ca/Sr)(Ti/Zr/Sn/Hf)O3 à différentes températures et pressions partielles d'oxygène. Le candidat effectuera également un examen critique des données thermodynamiques disponibles dans la littérature.
2)Inclure des éléments clés dans la base de données disponible.
3)Développer une méthode de screening rapide pour rechercher les compositions les plus prometteuses.
4)Collaborer avec l'équipe de développement de la plateforme expérimentale pour orienter les futurs essais.