Description du sujet de thèse

L'intelligence artificielle (IA) continue de révolutionner divers domaines, y compris le secteur médical, mais sa mise en œuvre nécessite souvent une consommation énergétique élevée. Les systèmes nanoélectroniques neuro-inspirés, qui imitent le fonctionnement du cerveau humain, utilisent des composants comme les memristors pour simuler les synapses. Ces systèmes offrent une piste prometteuse pour réduire l'énergie consommée par les technologies d'IA. En effet, les memristors permettent une implémentation efficace de la synapse artificielle grâce à leur capacité à intégrer le calcul directement au sein des éléments de stockage, suivant le principe du calcul en mémoire. Toutefois, l'utilisation des memristors se limite principalement à l'inférence, alors que leur potentiel pour l'apprentissage reste largement inexploré en raison de multiples défis techniques.
La présente thèse se propose de s'attaquer aux défis associés à l'utilisation des memristors pour l'apprentissage. Trois problèmes majeurs sont identifiés : 1) les algorithmes d'apprentissage actuels requièrent des opérations non locales qui ne se prêtent pas bien au paradigme du calcul en mémoire; 2) les memristors présentent des imperfections significatives, rendant difficile la mise à jour précise de leur état; et 3) les circuits nécessaires pour programmer les memristors sont plus complexes que ceux utilisés pour leur lecture. L'objectif de cette thèse est donc de développer une approche algorithmique et matérielle intégrée pour surmonter ces obstacles, en exploitant à la fois les propriétés des composants memristors et ferroélectriques.
Cette recherche adoptera une approche interdisciplinaire, combinant théorie de pointe et expérimentations pour concevoir et tester de nouvelles architectures de calcul neuro-inspiré. Un aspect central sera le développement d'algorithmes adaptés au calcul en mémoire. Le projet inclura également la réalisation de prototypes expérimentaux pour démontrer la faisabilité et l'efficacité de ces solutions. Enfin, une attention particulière sera accordée aux applications médicales, où ces technologies pourraient par exemple permettre des avancées significatives dans le traitement de données biomédicales, améliorant ainsi la précision et l'efficacité des diagnostics et des traitements.

Expertise attendue : nanophysique, mesures électriques, programmation, réseaux de neurones.

Contexte de travail

La thèse aura lieu dans l’équipe INTEGNANO du Centre de Nanosciences et de Nanotechnologies, centrée sur une approche intégrative et multidisciplinaire du développement de nouveaux dispositifs basés sur la charge et le spin. Nous combinons des compétences en nano-magnétisme et en électronique, en science des matériaux, en conception de circuits et en architectures informatiques innovantes. Nos intérêts de recherche vont de l'étude des phénomènes fondamentaux à la conception de nouveaux dispositifs ayant un potentiel pour des applications technologiques dans le traitement et le stockage de l'information.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.