Croissance MOCVD de films 2D ferroélectriques In2Se3 pour mémoires non-volatiles haute densité et basse consommation
Les matériaux ferroélectriques à température ambiante sont l’élément clé des mémoires non-volatiles haute densité et basse consommation. Cependant, avec la miniaturisation accrue des dispositifs électroniques, les ferroélectriques conventionnels sont limités à une épaisseur critique en dessous de laquelle la ferroélectricité est instable. Les matériaux bidimensionnels (2D) grâce à leur chimie de surface saturée et leurs faibles interactions inter-couches présentent l’avantage d’être stables à la limite de la monocouche atomique et sont donc prometteurs pour explorer la ferroélectricité dans des épaisseurs nanométriques et sub-nanométriques. Jusqu’à présent, les preuves de concept démontrant la ferroélectricité 2D ont principalement utilisé des cristaux de quelques µm2 exfoliés mécaniquement à partir d’un cristal massif. En particulier, les phases ? et ? du semiconducteur lamellaire In2Se3 préservent un caractère ferroélectrique à la limite de la monocouche atomique.
Compte tenu de l’impératif des applications « wafer-scale » de la microélectronique, il y a aujourd’hui un besoin urgent de croissance de matériaux 2D de haute qualité cristalline sur des substrats de grande dimension. L’objectif de la thèse est de développer la croissance du matériau lamellaire In2Se3 dans ses phases non centro-symmétriques ? ou ? par épitaxie en phase vapeur par procédé chimique (MOCVD) sur des substrats de silicium de grande dimension (200 mm). A notre connaissance, seulement trois articles de la littérature démontrent la croissance MOCVD du composé In2Se3. Un seul met en évidence l’obtention de la phase ? (article de 2024). Le défi est donc difficile mais possible. La preuve de concept d’une cellule mémoire ferroélectrique sera réalisée si possible in fine en déposant directement une électrode métallique en surface du matériau ferroélectrique 2D sans endommager ce-dernier
Caractérisation chimique 3D de dispositifs ePCM par tomographie STEM-EDX et intelligence artificielle
Cette thèse s'inscrit dans le contexte du progrès récent de la technologie des mémoires à changement de phase dans les applications embarquées (ePCM). La miniaturisation des ePCM pour des nœuds inférieurs à 18nm pose de nombreux défis non seulement dans la fabrication, mais aussi dans la caractérisation physico-chimique de ces dispositifs. L'objectif du projet est d'étudier les phénomènes de ségrégation chimique et de cristallisation en 3D dans les nouveaux alliages PCM intégrés dans des dispositifs ePCM planaires et verticaux, en utilisant la tomographie électronique en mode STEM-EDX (et 4D-STEM). Compte tenu de l'extrême miniaturisation et de la géométrie complexe des dispositifs, l'accent sera mis sur l'optimisation des conditions expérimentales et sur l'application de techniques de machine learning et d'apprentissage profond pour améliorer la qualité et la fiabilité des résultats 3D obtenus. Une corrélation avec le comportement électrique du dispositif sera effectuée pour mieux comprendre les phénomènes à l'origine des défaillances après endurance et après perte de données à haute température.
Un TEM NeoARM Cold-FEG corrigé par sonde (60kV-200kV) sera utilisé pour l'acquisition des données tomographiques. Il est équipé de deux détecteurs SSD à grand angle solide (JEOL Centurio), d'un filtre en énergie CEOS (CEFID) et d'une caméra à détection directe (Timepix3). Le candidat aura également accès aux codes Python développés en interne ainsi qu'aux ressources informatiques nécessaires pour effectuer l'analyse des données spectrales et tomographiques.
CORTEX: Orchestration de Conteneurs pour les applications Temps-Réel, Embarqués/edge, à criticité miXte
Cette proposition de thèse de doctorat vise à développer un schéma d'orchestration de conteneurs pour les applications en temps réel, déployées sur un continuum de ressources de calcul hétérogènes dans l'espace embarqué-edge-cloud, avec un focus particulier sur les applications nécessitant des garanties en temps réel.
Les applications, allant des véhicules autonomes, à la surveillance de l'environnement ou à l'automatisation industrielle, exigent traditionnellement une grande prédictibilité avec des garanties en temps réel, mais elles demandent de plus en plus de flexibilité à l'exécution ainsi qu'une minimisation de leur empreinte environnementale globale.
Pour ces applications, une stratégie adaptative innovante est nécessaire pour optimiser dynamiquement (à l'exécution) le déploiement des charges logicielles sur les nœuds matériels, avec un objectif mixte-critique combinant des garanties en temps réel et la minimisation de l'empreinte environnementale.
Sécurisation contre les attaques par canal auxiliaire par la combinaison de contre-mesures logicielles à faibles impacts en performance
Les attaques par canal auxiliaire, comme l'analyse de la consommation électrique ou des émissions électromagnétiques d'un processeur, permettent de récupérer des informations sensibles, telles que des clés cryptographiques. Ces attaques sont particulièrement efficaces et représentent une menace sérieuse pour la sécurité des systèmes embarqués.
Cette thèse se concentre sur la combinaison de contre-mesures logicielles à faible impact sur les performances pour renforcer la sécurité contre les attaques par canal auxiliaire, une voie qui a été peu abordée dans l'état de l'art.
L'objectif est d'identifier les synergies et les incompatibilités entre ces contre-mesures pour créer des solutions plus efficaces et légères. En particulier, les contre-mesures de masquage à faible entropie seront considérées.
Ces idées pourront être appliquées à la fois à la cryptographie symétrique et asymétrique, et en particulier sur les algorithmes de cryptographie post-quantiques.
La thèse aboutira à de nouvelles manières de sécuriser un logiciel, avec de meilleurs compromis entre sécurité et performance que les approches existantes.
Transmetteur hybride large bande pour les futurs systèmes sans fil
Cette offre de thèse s’inscrit dans une démarche de réduction de la consommation d’énergie ainsi que de l’empreinte carbone des futurs systèmes sans fil par l’investigation d’architectures innovantes de transmetteurs (TX) possédant une forte efficacité énergétique. L’objectif de cette thèse est d’élaborer une nouvelle architecture de TX pour les standards 5G et 6G. Différentes techniques telle que la modulation de charge ou d’alimentation ont démontré une augmentation de l’efficacité des TX par le passé, mais l’augmentation de la bande instantanée requise par les nouveaux standards de communication limite le bénéfice de ces techniques. Au cours de cette thèse, le candidat développera une nouvelle architecture de TX hybride qui associera à la fois la modulation de charge ainsi que la modulation d’alimentation. Plus précisément, le candidat développera une méthode dédiée de co-design entre l’amplificateur de puissance et le modulateur d’alimentation qui permettra d’adresser les bandes 6G-FR3 (10GHz+) avec un fort PAPR (>10dB) et des signaux large bande (>200MHz).
Le candidat rejoindra le laboratoire d’architecture intégré radiofréquence (LAIR) où de nombreuses compétences (étude system, IC design and layout ...) et domaines d’expertise sont représentés (RF power, Low power RF, RF sensors, High-speed mmW). Au cours de sa thèse, le candidat analysera et modélisera de nouvelles architectures de TX, réalisera le design ainsi que le layout du circuit intégré afin de réaliser et valider un démonstrateur.
Lien :
- http://www.leti-cea.fr/cea-tech/leti/Pages/recherche-appliquee/plateformes/Plateforme-Conception.aspx
- https://www.youtube.com/watch?v=da3x89qxCHM
Profil recherché :
• Diplômé d’une école d’ingénieurs ou d’un master en électronique ou microélectronique
• Connaissance en technologie transistor (CMOS, Bipolar, GaN…) et en conception analogue/RF
• Expérience sur les logiciels ADS et/ou Cadence
• Compétences de bases en programmation (Python, Matlab…)
• Une première expérience en conception de circuit intégré serait appréciée
Contacts : Guillaume.robe@cea.fr, Pascal.reynier@cea.fr
Mots clés : Amplificateur de puissance, Modulation de charge, Modulation d’alimentation, module radiofréquence
Fondements du raisonnement sémantique pour une coopération renforcée de l'IA en communications 6G multi-agents
La 6G intégrera la 5G et l'IA pour fusionner les espaces physiques, cybernétiques et de sapience, transformant les interactions réseau, révolutionnant la prise de décision pilotée par l'IA, et modifiant radicalement la perception des concepts fondamentaux d'information et de fiabilité. Cela nécessite une intégration native et conçue dès l'origine entre l'IA et les systèmes de communication. Les technologies 5G actuelles ne permettent pas un tel changement. La 5G se limite à "téléporter aveuglément" les données à travers le réseau sans comprendre a priori leur pertinence pour les destinataires. Par conséquent, les résultats des algorithmes d'IA restent confinés à des reconnaissances de motifs sophistiquées et à des corrélations statistiques, une limitation majeure des systèmes actuels d’information intelligente.
Pour accompagner cette révolution avec l'IA, le concept émergent de communications sémantiques et orientées objectifs transforme le traitement des informations en permettant à l'IA de collecter, partager et traiter les données de manière sélective en fonction de leur pertinence, valeur ou actualité pour les destinataires. Contrairement à la 5G, qui privilégie le transport de données volumineuses, les communications sémantiques mettent l'accent sur un partage de connaissances compressées et significatives pour améliorer le raisonnement de l'IA, s'adapter à des environnements variés et dépasser les limitations actuelles en matière de prise de décision intelligente.
Cette recherche doctorale explore trois domaines d'avant-garde : (1) les communications sémantiques, où l'état de l'art actuel se concentre principalement sur la compression et la robustesse pilotées par l'IA ; (2) l'intégration de la communication et de la détection, combinant l'échange de données et la détection environnementale pour des applications économes en ressources ; et (3) les avancées dans l'apprentissage compositionnel et le raisonnement de l'IA, permettant aux systèmes intelligents de traiter des données complexes et multimodales.
Cette recherche vise à développer des modèles abstraits de composition conceptuelle que les agents d'IA peuvent utiliser pour comprendre et raisonner sur des structures sémantiques complexes. Dans ce contexte, le doctorant concevra de nouvelles méthodologies de raisonnement compositionnel alignées sur les exigences des communications multi-utilisateurs et orientées objectifs. Les modèles permettront des échanges d'informations compositionnelles où les agents d'IA pourront former, échanger et inférer intuitivement à partir de représentations sémantiques composées. En se concentrant sur la compositionnalité et l'adaptabilité inhérentes aux échanges sémantiques, cette recherche contribuera à la prochaine génération de systèmes de communication intelligents et contextuellement adaptés. Ces systèmes permettront des échanges d'informations plus précis et significatifs entre les agents d'IA, améliorant leur prise de décision et leurs capacités de coopération dans diverses applications, des essaims robotiques autonomes aux dispositifs IoT connectés dans les villes intelligentes et autres environnements intelligents. Cette recherche doctorale évaluera les concepts théoriques novateurs proposés par rapport aux solutions actuelles en matière de communications sémantiques grâce à des simulations numériques.
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.
Nouveaux alliages et composites à base silicium pour batteries tout-solide : de la synthèse combinatoire par pulvérisation cathodique magnétron vers la mécanosynthèse
Les batteries au lithium tout-solide utilisant des électrolytes à base de sulfures sont parmi les plus étudiées actuellement en vue d’une amélioration de la densité d’énergie, de la sécurité et de la charge rapide. Si initialement le lithium métal était le choix privilégié pour l’anode, les difficultés rencontrées lors de sa mise en œuvre et les performances obtenues laissent penser que des alternatives doivent être recherchées. Le silicium apporte un compromis intéressant en termes de densité d’énergie et de durée de vie. Cependant, il est nécessaire de rechercher des matériaux d’anode développés pour les applications tout-solide. Dans ce but, nous proposons de collaborer avec CEA Tech Nouvelle-Aquitaine, qui a mis en place une méthodologie de synthèse combinatoire par pulvérisation cathodique magnétron, afin d’accélérer l’identification de nouvelles compositions de matériaux à base de silicium. Pour ce faire des bibliothèques de matériaux à gradient de compositions en couches minces seront préparés au CEA Tech Nouvelle-Aquitaine pour ensuite être étudiées au CEA Grenoble. Les compositions les plus prometteuses seront alors préparées par mécanosynthèse et caractérisées au CEA Grenoble. Un travail important sur les procédés de broyage sera réalisé afin d’optimiser la taille des particules et l’homogénéité ainsi que la structure et la microstructure. Il faudra également s’intéresser à l’intégration en cellule tout-solide en s’appuyant sur le savoir-faire du laboratoire.
Conception et fiabilité d’architecture modulaire de panneaux PV reconfigurables et réparables
L’intégration de modules photovoltaïques est devenu un enjeu pour l’adaptation au changement climatique, avec notamment l’installation de modules PV spécifiques dans les espaces urbains, sur les véhicules ou dans les exploitations agricoles. Ces modules sont appelés à fonctionner dans des situations plus complexes présentant une forte variabilité temporelle et des expositions au soleil changeantes. Les enjeux scientifiques du projet sont de déterminer les conditions nécessaires à l’optimisation des performances des modules PV face à ces perturbations extérieures par l’introduction d’architectures électriques reconfigurables. Un modèle de fiabilité sera développé pour intégrer l’influence des architectures système proposées, afin de garantir un niveau de fiabilité amélioré. Un travail approfondi sera mené sur l’ensemble du module PV, des technologies cellules aux caractéristiques électriques finales demandées, en passant par les technologies de commutation électrique. Dans une seconde phase, une méthodologie de conception sera développée en lien avec un état de l’art précis des technologies de commutation disponibles. La méthode sera appliquée à un cas d’usage répondant en priorité à la problématique d’ombrage et/ou défaillance partielle du module PV. Enfin, les architectures proposées seront évaluées par analyse de cycle de vie. Les conceptions autorisant une maintenance ou remplacement de certains éléments seront détaillées et comparées aux performances des modules habituels.
Développement d'un cadre d'analyse basé sur le ML pour la caractérisation rapide des conteneurs de déchets nucléaires par tomographie muonique
Cette thèse de doctorat vise à développer un cadre d'analyse avancé pour l'inspection des conteneurs de déchets nucléaires à l'aide de la tomographie muonique, et plus particulièrement via la méthode par diffusion des muons. La tomographie muonique, qui exploite les muons naturels issus des rayons cosmiques pour scanner des structures denses, s'est avérée précieuse dans des domaines dans lesquels les méthodes d'imagerie traditionnelles sont inefficaces. Le CEA/Irfu, avec son expertise dans les détecteurs de particules, cherche à exploiter l'intelligence artificielle (IA) et le Machine Learning (ML) pour optimiser l'analyse des données des muons, notamment pour réduire les temps d'exposition et améliorer la fiabilité des images.
Le projet consistera à se familiariser avec les principes de la muographie, à simuler les interactions des muons avec les conteneurs de déchets et à développer des techniques de traitement d'images et d'augmentation de données basées sur le ML. Le résultat devrait aboutir à des outils efficaces permettant d'interpréter les muographies (images de tomographie muonique), d’accélérer l’analyse et de classifier de manière fiable le contenu des conteneurs. L'objectif de la thèse est d'améliorer la sécurité et la fiabilité de l'inspection des déchets nucléaires en produisant des muographies plus nettes, plus rapides et plus interprétables grâce à des méthodes d'analyse innovantes.