Modélisation et prédiction des émissions électromagnétiques des convertisseurs de puissance par deep learning
Ces dernières années, la compatibilité électromagnétique (CEM) dans les convertisseurs de puissance à semi-conducteurs à 'wide bandgap' (WBG) a suscité un intérêt croissant, en raison des vitesses de commutation élevées et des fréquences accrues qu’ils permettent. Si ces dispositifs améliorent la densité et l’efficacité des systèmes, ils engendrent également des émissions conduites et rayonnées plus complexes à maîtriser. Dans ce contexte, cette thèse porte sur la prédiction, la modélisation et la caractérisation des interférences électromagnétiques (EMI)(> 30 MHz), tant conduites que rayonnées, dans des systèmes électroniques de puissance opérant à haute fréquence. Elle s’appuie sur une méthode de découpage multi-sous-systèmes et une co-simulation itérative, combinée à une caractérisation in situ pour capturer les phénomènes non idéaux et non linéaires. En complément, des techniques deep learning sont utilisées pour modéliser le comportement EMI à partir de données mesurées et simulées. Generative AI est également exploitée pour générer automatiquement des configurations représentatives et variées que l’on peut rencontrer en électronique de puissance, permettant ainsi d’explorer efficacement un large spectre de scénarios EMI. Cette approche vise à renforcer la précision des analyses tout en accélérant les phases de simulation et de conception.
Etude in situ de l’impact du champ électrique sur les propriétés des matériaux chalcogénures
Les matériaux chalcogénures (PCM, OTS, NL, TE, FESO …) sont à la base des concepts les plus innovants en micro—électronique allant des mémoires PCM aux nouveaux dispositifs neuromorphiques et spinorbitroniques (FESO, SOT-RAM, etc …). Une partie de leur fonctionnement repose sur une physique hors-équilibre induite par l’excitation électronique résultant de l’application d’un champ électrique intense. La thèse vise à mesurer expérimentalement sur des couches minces de chalcogénures les effets induits par le champ électrique intense sur la structure atomique et les propriétés électroniques du matériau avec une résolution temporelle femtoseconde (fs). Les conditions « in-operando » des dispositifs seront reproduites en utilisant une impulsion THz fs permettant de générer des champs électriques de l'ordre de quelques MV/cm. Les modifications induites seront alors sondées via différents méthodes de diagnostique in situ (spectroscopie optique ou diffraction x et/ou ARPES). Les résultats seront comparés à des simulations ab initio suivant une méthode à l’état de l’art développée avec l’Université de Liège. Au final la possibilité de prévoir la réponse des différents alliages chalcogénures aux échelles de temps fs sous champ extrême permettra d’optimiser la composition et les performances des matériaux (effet de switch e-, électromigration des espèces sous champ, etc …) tout en apportant une compréhension des mécanismes fondamentaux sous-jacents liant excitation électronique, évolution des propriétés sous champ et structure atomique de ces alliages.
Réduction de la complexité du parc de bâtiments en France pour mieux anticiper la flexibilité de la demande énergétique et l'intégration de la ressource solaire
Ce travail propose de répondre aux enjeux actuels de transition énergétique dans le secteur du bâtiment, premier consommateur d’énergie en France. Les politiques publiques françaises proposent aujourd’hui des solutions de grande ampleur comme des aides à la rénovation énergétique des logements ou des incitations à l’installation de systèmes de production d’énergies renouvelables. A grande échelle, ceci engendre des changements structurants à la fois pour les gestionnaires de bâtiments mais aussi pour les gestionnaires de réseaux énergétiques. De ce fait, les acteurs du secteur doivent revoir leurs prévisions de consommation énergétique et d’impact carbone en intégrant des solutions de flexibilité adaptées au référentiel français. Pour répondre aux enjeux énergétiques et de diminution des émissions de gaz à effet de serre, quelques leviers de flexibilité sont déjà en place mais certains autres doivent être anticipés en tenant compte des scénarios long terme de rénovation énergétique et de déploiement du gisement renouvelable notamment photovoltaïque à l'échelle du parc français. La problématique de la massification est donc sous-jacente. C'est pourquoi cette thèse propose d’implémenter une méthodologie de réduction de la dimension du parc français sur des critères préalablement définis. En particulier, l’objectif sera de définir un nombre restreint de bâtiments de référence statistiquement représentatifs des comportements résultant de l’application de stratégies de flexibilité répondant aux enjeux énergétiques et de limitation des émissions de gaz à effet de serre. Pour ce faire, le CSTB (Centre Scientifique et Technique du Bâtiment) développe et met à disposition une base de données des bâtiments du parc français (BDNB : Base de Données Nationale des Bâtiments) renfermant notamment des informations sur la morphologie, les usages, les principes constructifs ou encore les consommations et performances énergétiques.
Modèles de fondation multimodaux à grain fin et ancrés spatio-temporellement.
Ce projet de thèse porte sur l'amélioration des modèles multimodaux de grande taille (LMMs) par l’intégration d’informations fines et spatio-temporelles dans les ensembles de données d'entraînement. Bien que les modèles actuels tels que CLIP et Flamingo présentent de bonnes performances, ils s'appuient sur des paires image-texte bruitées et peu structurées, sans ancrage spatial ou temporel explicite. La thèse vise à développer des pipelines automatiques permettant d’enrichir les jeux de données avec des métadonnées géographiques et temporelles, à affiner les légendes par l’introduction de descripteurs sémantiques plus précis, et à réguler la diversité et la compacité des données par un contrôle du nombre d'exemples par classe.
Les stratégies d'entraînement exploiteront des hiérarchies de classes et adapteront les protocoles afin d'améliorer l’alignement entre les éléments des légendes et les régions d’image correspondantes. Le travail portera également sur des régimes d’entraînement conjoints intégrant simultanément les dimensions fine, spatiale et temporelle, ainsi que sur une phase d’inférence orientée vers la génération de contenus diversifiés en mode "ensemble". Le projet abordera également des enjeux liés à la qualité des métadonnées, à l’adaptation efficace des modèles, et à la conception de benchmarks adaptés à l’évaluation multi-dimensionnelle.
Les applications ciblées incluent la génération de données synthétiques pour la conduite autonome, l’annotation enrichie d’archives médiatiques via des légendes contextualisées, et une meilleure compréhension visuelle dans les environnements industriels simulés.
Caractérisation électrique et matériau approfondie d'espaceurs à faible constante diélectrique
Dans le cadre de l'European Chip Act, le CEA-Leti s'engage à façonner l'avenir de l'électronique en développant une nouvelle génération de transistors grâce à l'architecture FDSOI. Nous recherchons un(e) thésard(e) motivé(e) pour nous aider à relever des défis passionnants liés aux performances avancées de ces transistors. Vous aurez l'opportunité de participer à un projet de pointe axé sur le développement de matériaux innovants, avec l'ambition de créer une technologie de premier plan en matière d'efficacité énergétique.
Alors que nous repoussons les limites des transistors planaires à 10 nm et 7 nm, nous faisons face à d'importants défis physiques, en particulier la réduction des éléments parasites tels que la capacitance et la résistance d'accès, qui sont essentiels pour minimiser les pertes d'énergie et optimiser les performances. Le matériau isolant utilisé pour les espaceurs jouent ici un rôle clé sur ces performances et de nombreux candidats ont été proposés pour remplacer les solutions conventionnelles avec de plus faibles permittivités (SiN, SiCO, SiCON, SiCBN). Néanmoins leur intégration introduit également des défauts inhérents entrainant la capture de charges ou la présence d'états d'interface indésirables qui nuisent à la performance finale des transistors.
L'objectif de cette thèse est de mener une enquête approfondie et une caractérisation électrique (CV, IV, BTI, HCI, etc.) du matériaux d’espaceur (interface, volume), en fournissant une analyse détaillée des performances du transistor et de ses mécanismes sous-jacents. Une caractérisation innovante par mesure de stress CV ultra-rapide sur des échantillons diélectriques sera également réalisée et la corrélation entre la performance de piégeage et les paramètres de dépôt utilisés dans leur fabrication sera établie. De plus, le candidat collaborera étroitement avec des experts pour contribuer au développement du dépôt couches minces et à la caractérisation de nouveaux matériaux par analyse de surface et caractérisation des films minces (ellipsométrie, FTIR, XRR, XPS, etc.).
Tout au long de la thèse, vous acquerrez un large éventail de connaissances, couvrant les matériaux et processus de la microélectronique, la conception intégrée analogique, tout en relevant le défi unique de la technologie FDSOI avancée à 7-10 nm. Vous collaborerez avec des équipes pluridisciplinaires pour développer une compréhension approfondie des dispositifs FDSOI et analyserez les mesures existantes. Vous ferez également partie d'un laboratoire multidisciplinaire, travaillant aux côtés d'une équipe composée de plusieurs chercheurs permanents, explorant un large éventail d'applications de recherche.
Ce thèse offre l'opportunité unique de participer à un des projet phare et ambitieux du CEA-LETI. Si vous êtes curieux et avide de relever des défis, cette opportunité est faite pour vous !
Microfluidique pour la détection biomimétique de pathogènes dans l’air
L’air représente une voie de contamination difficile à contrôler par laquelle de nombreux agents biologiques, biochimiques ou chimiques peuvent affecter les populations et le personnel soignant. Les approches de détection usuelles, qu’il s’agisse de qPCR, de tests antigéniques ou de tests ELISA, reposent toutes sur l’emploi de réactifs spécifiques aux agents recherchés. Ces approches sont par conséquent inadaptées pour détecter un pathogène inconnu dont pourrait résulter une nouvelle pandémie. Face à de tels agents inconnus, de nouveaux capteurs liés au vivant seront nécessaires pour distinguer ce qui peut être pathogène de ce qui ne devrait pas l’être. Et ceux-ci devront être miniatures pour être déployés.
La thèse proposée vise à explorer, au moyen d’un nouveau système microfluidique, des approches originales pour mener une telle détection sans a priori. En s’appuyant sur l’expérience et les développements du laboratoire, il s’agira notamment de :
- mettre au point de nouveaux matériaux et designs permettant d’optimiser et enchaîner les prélèvements de bioaérosols ;
- développer une biopuce biomimétique et optimiser les rencontres moléculaires au moyen de micro-écoulements pilotés à micro/milli échelles.
Vous concevrez ainsi une carte microfluidique intégrant de nouvelles stratégies de détection puis étudierez expérimentalement celles-ci en vous appuyant sur les prototypes développés au laboratoire.
Simulation des phénomènes d’interaction entre ondes ultrasonores et microstructure métalliques pour l’imagerie et la caractérisation
L’interaction des ondes avec la matière dépend fortement de la fréquence de ces ondes et de l’échelle de leurs longueurs d’onde au regard des propriétés du milieu considéré. Dans le cadre des applications d’imagerie ultrasonore qui nous importent, les échelles considérées pour les métaux sont généralement de l’ordre du millimètre (du dixième à plusieurs dizaines de millimètres). Or, selon les procédés de fabrication utilisés, les milieux métalliques qui sont souvent anisotropes peuvent également présenter une microstructure dont les hétérogénéités ont des dimensions caractéristiques du même ordre. Ainsi, les ondes ultrasonores se propageant à travers des métaux peuvent, dans certaines circonstances, être fortement affectées par les microstructures de ces derniers. Cela peut représenter une gêne pour certaines techniques ultrasonores (atténuation, bruit de structure) ou, au contraire, une opportunité pour estimer des propriétés locales du métal inspecté.
L’objectif général de la thèse proposée vise à approfondir la compréhension du lien entre microstructure et comportement des ondes ultrasonores pour de grandes classes de matériau en bénéficiant des savoirs combinés du LEM3 pour la génération de microstructure virtuelle et du CEA pour la simulation de la propagation d’ondes ultrasonores.
Le travail proposé combinera l’acquisition et l’analyse de données expérimentales (matériau et ultrasons), l’utilisation d’outils de simulation, et le traitement statistique de données. Cela permettra une analyse les comportements selon les classes de matériaux, voire la mise en place de procédures d’inversion permettant de caractériser une microstructure à partir d’un jeu de données ultrasonores. La combinaison de ces méthodes permettra une approche holistique contribuant à des avancées significatives dans le domaine.
Modélisation automatique de variations du langage pour des agents conversationnels socialement interactifs
Les agents conversationnels, de plus en plus présents autour de nous grâce aux avancées en traitement automatique du langage naturel et en intelligence artificielle, suscitent un intérêt croissant. Toutefois, leur capacité à comprendre la communication humaine dans toute sa complexité reste un défi. Cette thèse vise à modéliser les variations linguistiques pour développer des agents capables d’interactions socialement adaptées, prenant en compte le profil socio-démographique et l’état émotionnel des interlocuteurs. Elle s'intéresse également à l’évaluation de différents indices linguistiques, à l’exploitation des formes orales et écrites du langage, et à la généralisation des modèles à partir de données multilingues et multi-situationnelles afin de mieux modéliser les interactions avec les agents conversationnels.
Généralisation compositionnelle des modèles de langage multimodaux
L’avènement des modèles de fondation a permis d’améliorer les performances dans plusieurs domaines de l’IA, en particulier en vision par ordinateur et traitement du langage naturel. Cependant, malgré l’énorme quantité de données utilisées pour les entrainer, ces modèles sont encore limités dans leur capacité à généraliser, en particulier dans un domaine spécifique, mal représenté sur le Web. Une modélisation de ce problème est la généralisation compositionnelle, c’est-à-dire la capacité d’apprendre à démêler les concepts pendant l’entrainement et à les recombiner dans une composition inédite lors de la phase de production/test. La thèse abordera cette
question, en visant à proposer des représentations visuelles qui permettent aux grands modèles génériques de langage visuel de généraliser la composition dans des domaines spécifiques. Elle étudiera des stratégies visant à réduire l’apprentissage de "raccourcis" artificiels, en favorisant une compréhension plus profonde des structures de composition dans les données multimodales. Elle abordera également le problème de la généralisation de la composition au-delà des simples paires attribut-objet, en saisissant une sémantique plus subtile et plus complexe. La thèse proposée vise des avancées à un niveau assez amont, mais présente de nombreux intérêts pratiques potentiels dans les domaines de la santé, de l’administration et des services, de la sécurité et de la défense, de l’industrie manufacturière et de l’agriculture.
Développement de stratégies de reconstruction à grandissement variable pour la tomographie X robotisée
Le Département Instrumentation Numérique regroupe des compétences très variées à travers plusieurs plateformes expérimentales et logicielles. Dans le Service Monitoring, Contrôle et Diagnostic, une des thématiques de recherche est l’inspection par méthodes RX. Dans ce cadre, une cellule d’inspection robotisée est en service depuis plusieurs années et sert comme plateforme d’expérimentation pour des développements algorithmiques et sur le plan de l’instrumentation. Un enjeu important des configurations de scan robotisées est la possibilité d’inspecter des pièces de grandes dimensions. Pour la plupart des cas d’application, des zones d’intérêt sont définies, pour lesquelles une résolution spatiale plus élevée est souhaitée. Dans ce contexte, un programme comportant plusieurs axes de développement est proposé avec l’objectif principal de faciliter la mise en œuvre et l’utilisation pour des cas d’application industriels.
Un premier volet du travail consistera à développer des algorithmes de reconstruction tomographique pour une stratégie à grandissement variable, via une approche analytique comme proposé par Dennerlein [1] et ensuite d’adapter des algorithmes itératifs de type SART.
Un deuxième volet concernera l’adaptation des algorithmes pour permettre une représentation multi-échelle des volumes reconstruits, par des décompositions de type de type octree ou ondelettes. Une approche de corrélation entre les données expérimentales et le modèle de la pièce inspectée permettra une meilleure adaptation pour améliorer la méthodologie de tomographie VOI (volume d’intérêt).
Un troisième volet visera la phase de validation expérimentale et aussi le développement d’un système de vérification du positionnement des éléments de la scène à l’aide de capteurs de distance. Une mesure simultanée de la distance source – surface de la pièce avec la prise d’image radiographique permettra de corriger les erreurs de positionnement pour chaque acquisition et de les intégrer à terme directement dans le processus de reconstruction.