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.