Développement d'un modèle de substitution pour l'optimisation de transistors neuromorphiques

Technologies micro et nano Stage - Développement d'un modèle de substitution pour l'optimisation de transistors neuromorphiques H/F Ce stage vise à développer un modèle physique de substitution basé sur l'apprentissage automatique afin d'accélérer la simulation bayésienne d'un transistor neuromorphique au lithium. À partir de simulations multiphysiques 1D réalisées sous Python/FEniCS, le stagiaire développera et validera un réseau de neurones profond, puis l'intégrera dans une chaîne d'inférence Stan/MCMC. Rejoignez-nous en Stage ! CEA Tech Corporate from CEA Tech on Vimeo.En tant que stagiaire au CEA, vous aurez l'opportunité de travailler au sein d'un environnement de recherche de renommée mondiale. Nos équipes sont composées d'experts passionnés et dédiés, offrant un cadre propice à l'apprentissage et à la collaboration. Vous aurez accès à des équipements de pointe et à des ressources de recherche de premier ordre pour mener à bien vos missions.Environnement de recherche:Le stage sera réalisé au CEA-Leti à Grenoble, au sein d’un environnement de recherche interdisciplinaire à l’interface entre physique des dispositifs, modélisation multiphysique, simulation numérique, inférence bayésienne et apprentissage automatique. Le stagiaire interagira avec des chercheurs travaillant sur les dispositifs électroniques émergents, l’ionotronique et les technologies neuromorphiques.Contexte scientifique:Les dispositifs électroniques émergents, notamment les transistors neuromorphiques, mettent en jeu des phénomènes électroniques, ioniques et matériaux fortement couplés, pouvant conduire à des comportements non linéaires et dépendants de l’historique. Leur compréhension et leur conception nécessitent donc des modèles multiphysiques capables de relier les mécanismes physiques aux propriétés électriques observées.La simulation bayésienne permet d’aller au-delà de la recherche d’un unique jeu de paramètres optimal, en déterminant les distributions de paramètres physiques compatibles avec les données expérimentales. Elle permet ainsi de quantifier les incertitudes, d’identifier les corrélations entre paramètres et, à terme, de concevoir des dispositifs dont les performances sont robustes vis-à-vis des variations physiques.Problématique et objectifs du stage:L’inférence bayésienne par Markov Chain Monte Carlo (MCMC) est cependant très coûteuse lorsque chaque évaluation du modèle nécessite la résolution d’un système d’équations aux dérivées partielles (EDP). L’objectif du stage est de développer un modèle de substitution basé sur l’apprentissage automatique afin de réduire le coût de calcul de cette chaîne. L’application considérée sera un transistor neuromorphique synaptique, dont le comportement est décrit par un modèle multiphysique 1D existant.Le stage comprendra notamment les étapes suivantes :Prise en main du modèle multiphysique et de la chaîne bayésienne existanteGénération et analyse d’un jeu de données de simulation à partir du modèle Python/FEniCSDéveloppement et optimisation d’un modèle de substitution DNNValidation du modèle de substitutionIntégration du modèle de substitution dans la chaîne Stan/MCMCComparaison quantitative des inférences bayésiennes réalisées avec le modèle original et le modèle de substitutionAnalyse des limites et du domaine de validité du modèle de substitution Python/FEniCS/STAN/MCMC Qu’attendons-nous de vous ?Nous recherchons un(e) étudiant(e) de Master 2 ou dernière année d’école d’ingénieur, avec une formation en physique, mathématiques appliquées, électronique, science des matériaux, informatique scientifique ou domaine connexe.Compétences recherchées:Bonnes compétences en Python et en calcul scientifique.Bonne compréhension de la modélisation numérique et/ou de la physique computationnelleIntérêt pour l’apprentissage automatique et la modélisation scientifique.Capacité à comprendre et manipuler des modèles mathématiques et physiques.Seront particulièrement appréciées:expérience avec NumPy, SciPy, pandas, Matplotlib ;connaissance de PyTorch, TensorFlow ou d’un autre framework de deep learning ;connaissances en EDP, éléments finis ou modélisation multiphysique ;expérience avec FEniCS ;connaissances en inférence bayésienne, MCMC ou modélisation probabiliste ;expérience avec Stan/CmdStan ;notions de quantification d’incertitude ou de modèles de substitution.La maîtrise de l’ensemble de ces outils n’est pas attendue au début du stage. Nous recherchons avant tout un profil quantitatif, curieux, rigoureux et intéressé par l’interface entre modélisation physique et méthodes d’apprentissage automatique.Une poursuite en thèse est envisagée, notamment autour de la conception générative et inverse de dispositifs électroniques, en s’appuyant sur la simulation bayésienne, les modèles de substitution et la quantification des incertitudes.Rejoignez-nous, venez développer vos compétences et en acquérir de nouvelles ! Vous avez encore un doute ? Nous vous proposons :L'opportunité de travailler au s