Travailler à TIMA

Propositions de thèses


Protection contre les décharges Electrostatiques pour des charges ultimes en technologie avancée UTBB FD-SOI 28/18 nm

Équipe : AMfoRS

Date de début : 11/2020

Durée : 3 years

Profil : Dans le cadre de l’intégration silicium FD-SOI CMOS avancée et plus particulièrement pour la technologie UTBB FD-SOI, il est nécessaire de se prémunir des décharges électrostatiques qui sont la première cause de défaillances des circuits intégrés. Notamment, les dimensions nano métriques conduisent à ce que les dispositifs à protéger soient extrêmement sensibles à de telles agressions électriques. Notamment, le défi est dotant plus grand que la protection ne doit pas impacter la fonction finale comme un LNA faible bruit (traitement analogue), une tète RF 5G d’entrée (communication sans fil) ou bien un qubit de silicium (quantum computing en condition Cryogénique). On retrouve la même problématique sur l’impact de la protection ESD sur les oscillateurs à quarts de haute précision de synchronisation et de l’impact de dérivée en ppm. L’objectif principal de cette thèse est de proposer et d’étudier de nouvelles protections ESD dites en charge ultime réalisées en film mince et/ou en hybride bulk. L’étude sera entreprise grâce à des outils des simulations 3D TCAD de physique du composant et d’intégration silicium dans la technologie choisie. Des cosimulations seront à prévoir dans cette études. Par ailleurs, les démonstrateurs en silicium seront entièrement caractérisés au travers de leurs réponses électriques en TLP (Transmission Line Pulse) et VFTLP (Very Fast TLP) et cela au-delà du mode de polarisation statique DC.

See complete information to : follow the link

Personne à contacter : See attached document

 

 

Étude de mémoires multiniveaux pour le calcul en mémoire (IMC) et des réseaux neuromorphique analogiques à décharges (ASNN)

Équipe : AMfoRS

Date de début : 11/2020

Durée : 3 years

Profil : Dans le cadre du traitement massif de données, les architectures Von Neumann trouvent des limites dans les temps d’accès de pages mémoires et également dans la consommation d’énergie du calcul numérique lui-même. Notamment, il est à savoir qu’il existe une forte activité de la communauté scientifique et industrielle pour développer et mettre en place de nouvelles techniques et technologies basées sur le calcul dans la mémoire (in situ) par opérateurs spécifiques et également pour développer des réseaux neurones à décharges mimiques du cerveau humain avec pondération synaptique. Dans ces champs d’études, il est remarquable de constater que le point mémoire joue un rôle central et représente un élément d’intersection dans toutes ces approches. A Grenoble, dans le cadre de l’Institute Multi Disciplinaire d’Intelligence Artificielle MIAI, la chaire Spiking Neural Networks with non volatile emerging technologies, adresse ces problématiques. Un de porteurs de la chaire est Mme. Anghel, un de directeurs de cette thèse. Le travail de recherche proposé dans cette thèse s’inscrit donc parfaitement dans les objectifs de cette chaire, le travail de thèse sera fait en coordination et en immersion par rapport aux travaux proposés dans le cadre de la chaire susmentionnée. Il est proposé dans cette thèse d’investiguer de nouvelles solutions en termes de mémoire multiniveaux non volatile (voir l’extension en volatile) sur la base de l’existant (grille flottante, changement de phase, mémoire résistive). La question des spécifications d’une telle mémoire est à élaborer et par suite de pouvoir entreprendre une recherche d’intégration technologique en CMOS avancée. Le développement d’un démonstrateur silicium sera à établir pour faire preuve de concepts tant d’un point de vue du point mémoire que de ses applications futures.

See complete information to : follow the link

Personne à contacter : See attached document

 

 

Design and verification of a Spiking Neural Network accelerators with Resistive RAM synapses

Équipe : AMfoRS

Date de début : 01/10/2020

Durée : 36 months

Profil : The Spiking Neural Networks (SNNs) are considered promising solutions for Embedded AI, mainly due to their bioinspired event-driven operation. The SNNs are of interest to several communities: neurobiology, mathematics, deep learning, computational neuroscience and neuromorphic hardware. They are usually considered as more energy efficient than their classical-coded counterparts. SNNs are intrinsically dynamic and best-suited to act as spatio-temporal filters for processing audio- and video-like signals. The Grand Challenge of this research activity is to enable the arrival of the third generation of Neural Networks. The scientific challenges is to design a scalable and flexible SNN architecture: adaptable to different learning algorithms, able to handle tasks such as inference and learning (online, supervised, unsupervised, probabilistic, etc.). They will be designed and fabricated in hybrid nanoscale CMOS and Non-Volatile technology such as resistive, or magnetic, etc, enabling very high synaptic density. The obtained circuits will be employed in embedded applications, in the industrial, health and automotive sectors.

See complete information to : follow the link

Personne à contacter : Alexandre VALENTIAN (CEA) / Lorena ANGHEL (TIMA Lab) / Elena Ioana VATAJELU (TIMA Lab)

 

 

Test and Reliability of Emerging Memory-based Spiking Neural Networks

Équipe : AMfoRS

Date de début : 01/10/2020

Durée : 36 months

Profil : The computing performance needed by emerging electronic applications (such as Internet-of-Things and Big Data analytics) is posing a serious challenge to current computer architectures and technologies, which are required to provide increasing computing power while withstanding severe constraints on size, energy consumption and reliability. Conventional Von-Neumann architectures and memories are not likely to fulfil all the needs of modern applications, due to inherent technological and conceptual limitations.

This PhD thesis will focus on the robustness of hardware implementations of bio-inspired neural networks (Spiking Neural Networks) by using emerging technologies (memristors and/or spintronic devices). The innovative aspects of this research topic are related to the test and reliability aspects for HW implemented Spiking Neural Networks with on-line, unsupervised learning.

See complete information to : follow the link

Personne à contacter : Elena Ioana VATAJELU (TIMA Lab)