Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Stage - Modélisation compacte par apprentissage machine H/F


Détail de l'offre

Informations générales

Entité de rattachement

Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.

Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :
. la défense et la sécurité
. l'énergie nucléaire (fission et fusion)
. la recherche technologique pour l'industrie
. la recherche fondamentale (sciences de la matière et sciences de la vie).

Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.  

Référence

2022-23297  

Description du poste

Domaine

Technologies micro et nano

Contrat

Stage

Intitulé de l'offre

Stage - Modélisation compacte par apprentissage machine H/F

Sujet de stage

Développement et évaluation d'un modèle compact de transistor MOS FDSOI généré par un réseau de neurone artificiel

Durée du contrat (en mois)

5 à 6 mois

Description de l'offre

L’équipe de modélisation compacte du laboratoire, constituée de 5 permanents, est en charge de mettre en œuvre des modèles compacts (i.e. analytiques) de composants microélectroniques dédiés à la simulation de circuits intégrés (simulation dite SPICE pour Simulation Program with Integrated Circuit Emphasis) pour les applications analogiques et numériques. Pour une architecture de composant donnée, ces modèles dits « physiques » sont construits à partir des équations fondamentales de la physique du solide et demandent des développements longs et couteux.

 

Aujourd’hui, la maturité des techniques d’apprentissage machine, comme les réseaux de neurones artificiels (« Artificial Neural Network » : ANN), permet d’envisager une autre approche, qui consiste en la génération de modèles phénoménologiques par le traitement automatisé de larges jeux de données comportementales, issus de mesures expérimentales ou de simulations numériques.

 

L’état de l’art sur le sujet montre que ces techniques permettent, entre autre, la construction rapide de modèles compacts, là où l’approche « physique » peut demander beaucoup d’efforts. De plus, elles permettraient de rendre compte de comportements que l’approche « physique » peine à modéliser fidèlement. En revanche, leur manque « d’explicabilité » intrinsèque à leur construction soulève de nombreuses questions (concernant leur robustesse notamment) qui freinent leur déploiement.

 

Le laboratoire souhaite s’emparer de ce sujet afin d’évaluer les forces et les faiblesses d’une telle approche. Le stage proposé aura pour objectif de poser les premiers jalons de l’activité, qui nourriront les travaux de recherche proposés dans le cadre d’une thèse qui lui fera suite, centrée sur l’hybridation des deux approches.

 

Dans le cadre de ce stage, vous aurez comme missions principales :

 

•       Revue de l’état de l’art des techniques de modélisation compacte par apprentissage machine.

 

•       Construction d’un modèle compact de transistors MOS FD-SOI basé sur un ANN, a priori sous environnement PyTorch, à partir de données issus du modèle compacte physique L-UTSOI (modèle standard de l’industrie, développé par le Leti).

 

•       Evaluation et discussion des performances du modèle ANN vis-à-vis du modèle L-UTSOI (durée d’exécution, précision) en fonction des paramètres du modèle (architecture du réseau).

Moyens / Méthodes / Logiciels

Windows/Linux, Matlab, Python

Profil du candidat

De formation Bac+5 Ecole ingénieur / Université, 2 types de profils sont recherchés :

  1. vous avez des connaissances en réseaux de neurones artificiels et machine learning, ainsi qu'une sensibilité pour les mathématique appliqués à la physique
  2. vous avez des connaissances en physique des composants microélectroniques et une grande capacité d'apprentissage sur la thématique des réseaux de neurones artificiels

Localisation du poste

Site

Grenoble

Ville

  Grenoble

Critères candidat

Langues

  • Anglais (Intermédiaire)
  • Français (Intermédiaire)

Diplôme préparé

Bac+5 - Master 2

Formation recommandée

Machine Learning ou physique des composants microélectroniques

Possibilité de poursuite en thèse

Oui