En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Doctorant (H/F) : Modèles de Caractérisation par Apprentissage pour la Qualité des Technologies de Mémoires Émergentes

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : lundi 31 mai 2021

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR5506-PATGIR-002
Lieu de travail : MONTPELLIER
Date de publication : lundi 19 avril 2021
Nom du responsable scientifique : Patrick GIRARD
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 septembre 2021
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Contexte et motivation :
Dans les systèmes sur puce (SoC), les éléments de mémorisation représentent la grande majorité des dispositifs embarqués, permettant ainsi de répondre aux besoins croissants de capacités de calcul et de données à traiter. Cette augmentation des ressources de mémorisation se fait en exploitant les limites de la technologie, et conduit donc à une plus grande multiplicité et diversité des défauts qui peuvent apparaître lors du processus de fabrication des mémoires.
Les mémoires magnétiques à accès aléatoire (MRAM) représentent la technologie de mémoire émergente la plus mature à l'heure actuelle. Dans cette technologie, les données sont stockées sous la forme d'états résistifs en utilisant le spin des électrons au lieu de leur charge. Les mémoires MRAM ont des caractéristiques qui les rendent utiles pour de nombreuses applications allant du grand public jusqu'aux applications les plus critiques (automobile, santé, sécurité, aéronautique, etc.).
Le test des mémoires est actuellement basé sur l'utilisation d'algorithmes March ciblant des modèles de faute fonctionnels. Avec l'évolution des technologies, ces solutions deviendront bientôt insuffisantes pour couvrir efficacement les nouveaux défauts qui peuvent apparaître durant le processus de fabrication. Une solution à ce problème est d'adapter les concepts de test Cell-Aware (CA) développés avec succès pour les circuits logiques aux mémoires MRAM. Le test Cell-Aware permet de prendre en compte tous les défauts qui peuvent apparaître à l'intérieur de chaque cellule élémentaire constituant un circuit logique, en utilisant pour cela un dictionnaire de fautes internes à chaque cellule (appelé modèle CA de la cellule), et décrivant les conditions de détection de chaque défaut potentiel affectant la cellule.
En adaptant ainsi les innovations issues du monde digital au test des mémoires émergentes, et en remplaçant le test fonctionnel des mémoires MRAM par un test structurel, ce projet permettra de satisfaire deux objectifs majeurs : anticiper le fossé qui se creuse entre modélisation fonctionnelle correcte et comportement réaliste des défauts dans les mémoires, et prendre en compte les mécanismes de défaillance nouveaux qui apparaissent dans les mémoires MRAM, et qui ne peuvent pas toujours être modélisés par des modèles de faute fonctionnels en raison de la nature stochastique des changements d'état et de l'instabilité thermique inhérente aux mémoires MRAM.

Objectif des travaux :
L'objectif de la thèse est donc de développer des modèles de caractérisation pour le test et le diagnostic des cellules-portes (cellules élémentaires, portes logiques simples et complexes) extraites de la description d'une mémoire MRAM. Ces modèles CA seront enrichis avec des informations sur le layout pour permettre une couverture complète des défauts réalistes. Compte tenu du nombre important et de la diversité des cellules-portes pour les technologies mémoire considérées, des techniques d'Apprentissage seront utilisées pour automatiser le processus de génération des modèles.

Mots clés :
Mémoire magnétique, Défaut, Modèle de caractérisation, Test, Diagnostic, Qualité, Apprentissage Automatique

Compétences requises :
Le/la candidat(e) doit avoir un diplôme de Master et/ou Ingénieur, avec des compétences dans les domaines de l'intelligence artificielle, de la conception de circuit numérique, et du test de circuits et systèmes intégrés. Il/elle devra en outre avoir une bonne connaissance des langages de programmation (Python, Matlab, etc.) et des outils CAO (Synopsys, Cadence).

Contexte de travail

Financement et partenaires :
La thèse sera financée via un contrat doctoral attribué par le CNRS dans le cadre de l'AAP « 80PRIME » 2021. Les travaux seront réalisés en collaboration entre le LIRMM (UMR 5506 Université de Montpellier / CNRS), le laboratoire SPINTEC (UMR 8191 CEA / CNRS / Université Grenoble-Alpes / Grenoble INP) et la société STMicroelectronics (Crolles).
LIRMM, 161 rue Ada, 34095 Montpellier, France http://www.lirmm.fr/
SPINTEC, 17 rue des Martyrs, 38054 Grenoble, France http://www.spintec.fr/
STMicroelectronics, 850 Rue Jean Monnet, 38920 Crolles, France https://www.st.com/

Date de début / durée / lieux de la thèse :
Septembre 2021 / 3 ans / Montpellier & Grenoble

On en parle sur Twitter !