Direction scientifique
Transfert de connaissances vers l'industrie

Nos Thèses par thème

Recristallisation en phase solide assistée par recuit laser nanoseconde

Département des Plateformes Technologiques (LETI)

Laboratoire

Master 2 / Ingénieur

01-09-2020

SL-DRT-20-0514

Pablo.ACOSTAALBA@cea.fr

Matériaux et procédés émergents pour les nanotechnologies et la microélectronique (.pdf)

Dans les dernières années des progrès importants ont été faits en ce qui concerne la réduction de budget thermique nécessaire pour la fabrication de composants de la microélectronique. Par ailleurs, le recuit laser nanoseconde représente aujourd'hui une alternative très prometteuse pour l'intégration des dispositifs microélectroniques dont le budget thermique doit être limité. Le CEA LETI, s 'est engagé dès 2017 dans un programme ambitieux sur le traitement thermique avancé pour la microélectronique. Dans ce contexte, un équipement de recuit laser nanoseconde a été installé dans la salle blanche du LETI. Ce procédé novateur permet d'atteindre de très hautes températures pendant de temps extrêmement courts (quelques dizaines de ns) ce qui implique que le budget thermique appliqué aux structures irradiées est très faible. Il a récemment été démontré que l'on peut utiliser le recuit laser nanoseconde afin d'obtenir la recristallisation en phase solide des couches de silicium partiellement amorphisées. Ce procédé peut être utilisé pour optimiser différentes étapes des procédés de fabrication come par exemple l'activation des dopant dans la source et drain des transistors. Il est donc fondamental de comprendre les mécanismes physiques et d'explorer l'impact des différents paramètres sur la cinétique de recristallisation afin de maitriser ce procédé dans des matériaux de base comme le Si et le SiGe. Cette thèse vise à évaluer l'apport du recuit laser nanoseconde sur les propriétés structurales et électriques de différents empilements semi-conducteurs.

Télécharger l'offre (.zip)

Imagerie sans lentille et intelligence artificielle pour un diagnostic rapide des infections

Département Microtechnologies pour la Biologie et la Santé (LETI)

Laboratoire Systèmes d'Imagerie pour le Vivant

Master 2 biologie, data intelligence

01-10-2020

SL-DRT-20-0518

caroline.paulus@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

L'objectif de la thèse est de développer une technologie portable d'identification des pathogènes. En effet, dans un contexte d'extension des déserts médicaux et de recrudescence des infections antibiorésistantes, il est urgent de développer des techniques innovantes pour le diagnostic rapide des infections en milieu isolé. Parmi les techniques optiques d'identification des pathogènes, les méthodes d'imagerie sans lentille occupent une place particulière car elles sont les seules à l'heure actuelle à pouvoir proposer une caractérisation simultanée d'un grand nombre de colonies, le tout avec une technologie bas coût, portable et peu énergivore. L'objectif de la thèse est d'explorer les potentialités de l'imagerie sans lentille associée à des algorithmes d'intelligence artificielle pour identifier rapidement les colonies bactériennes présentes dans un liquide biologique. La thèse visera à optimiser le dimensionnement du système imageur (sources, capteurs) et à étudier des algorithmes de traitement d'images et d'apprentissage machine nécessaires pour l'identification des colonies. Deux cas d'applications cliniques seront étudiés.

Télécharger l'offre (.zip)

Amélioration des performances d'imageur gamma CdZnTe par apprentissage de modèle

Département d'Optronique (LETI)

Laboratoire Architecture Systèmes Photoniques

Master 2 / ingénieur physique

01-11-2020

SL-DRT-20-0522

gmontemont@cea.fr

L'imagerie gamma est une technique qui est appliquée à l'imagerie médicale (imagerie moléculaire, médecine nucléaire) ou à la sécurité (transport, industrie). Les détecteurs semi-conducteurs CdZnTe sont de plus en plus utilisés dans les récentes machines tomoscintigraphiques (gamma-caméras) ou des petits imageurs portables pour leur gain en vitesse, sensibilité et qualité d'image. Ces détecteurs fonctionnent à température ambiante et sont sensibles aux 5 paramètres physiques de l'interaction : énergie déposée E, instant d'interaction T et position XYZ. L'estimation de ces grandeurs se fait à partir des différents signaux électroniques mesurés. Le lien entre signaux électriques et grandeurs physiques est toutefois mal connu du fait de la variabilité physique des propriétés du matériau. Le but de cette thèse est de lever ces limitations grâce à apprentissage in-situ de la réponse réelle du détecteur qui permettra une modélisation précise. En effet, les techniques récentes d'apprentissage sur des modèles multicouches profonds peuvent s'adapter à des cas particulièrement complexes avec une grande flexibilité. Ainsi, il est possible de pallier notre connaissance imparfaite de la physique du détecteur. L'identification des paramètres physiques propres aux détecteurs peut ainsi permettre une estimation optimisée du lieu, de l'instant et de l'énergie déposée lors de l'interaction du photon. Ainsi, il sera possible d'améliorer la qualité des images, et donc la capacité globale de la machine à détecter des objets petits ou faiblement émissifs, pour un meilleur diagnostic ou une meilleure discrimination des faux positifs. L'étudiant(e) devra avoir une formation en mathématiques appliquée (machine learning) et/ou en physique de la mesure et montrer un goût prononcé pour la recherche pluridisciplinaire, entre la physique expérimentale et le traitement mathématique de données.

Télécharger l'offre (.zip)

Ecoconception de nouvelles générations de batteries

Département des Technologies des NanoMatériaux (LITEN)

Laboratoire des Eco-procédés et EnVironnement

Bac+ 5 en génie des matériaux ou génie énergétique avec compétences en management environnemental ou développement durable et une ou plusieurs expérience(s) dans le domaine de la recherche.

01-10-2020

SL-DRT-20-0535

elise.monnier@cea.fr

Stockage électrochimique d?énergie dont les batteries pour la transition énergétique (.pdf)

Le développement de l'électrification des véhicules nécessite des technologies d'accumulateurs toujours moins chères et plus performantes. Face à cette demande, de nombreuses voies de développement sont à l'étude, telles que de nouvelles générations Li-ion à teneur réduite en cobalt ou à haute densité d'énergie, des accumulateurs tout-solide ou Li-Soufre sans être exhaustif. En dehors du volet performance pur, il existe un réel besoin d'évaluer l'impact environnemental de ces technologies sur l'ensemble de leur cycle de vie (ACV), et de s'intéresser aux pistes d'écoconception pour le développement des batteries du futur. La thèse proposée visera à répondre à ces problématiques, en s'appuyant sur une approche pluridisciplinaire mêlant les compétences d'au moins 3 laboratoires du LITEN. A l'issu de la thèse, les résultats attendus seront : une comparaison des 3 technologies de batteries nouvelles générations Li-ion avancé, Li-S et Tout-Solide sur un volet environnemental, par rapport à des technologies de batteries de référence ainsi qu'une méthode d'écoconception pour orienter l'aide à la décision dans les développements de technologies de batteries bas TRL.

Télécharger l'offre (.zip)

Sémantique formelle d'une infrastructure de compilation matériel

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire composants logiciels pour la Sûreté et la Sécurité des Systèmes

Bac+5 engineer ou Master degree in computer science or formal methods

01-10-2020

SL-DRT-20-0540

Mihail.Asavoae@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

Le développement du jeu d'instruction RISC-V est supporté par la conception et l'utilisation de nouvelles méthodes et outils dédiés à l'augmentation du niveau de productivité de la conception d'architectures matérielles (i.e. langage de plus haut niveau pour la conception matériel et chaîne de compilation spécialisée). Au niveau langage, les langages de description matériel tels que Chisel et FIRRTL ont pour but d'augmenter le niveau d'abstraction utilisé dans la conception d'architectures matérielles. Il devient donc intéressant et nécessaire de raisonner formellement sur les propriétés fonctionnelles et temporelles de ces conceptions matérielles exprimées à plus au haut niveau et de s'appuyer sur des extensions appropriées de l'infrastructure de compilation matériel pour transférer ces propriétés de haut niveau vers, par exemple, le code Verilog généré. Dans cette proposition de thèse, nous visons la définition d'un environnement de vérification des architectures matérielles permettant de spécifier et vérifier des propriétés de sécurité mais aussi de sûreté temporel. Les deux contributions attendues de ce thèse sont : 1) la conception et l'implémentation d'une infrastructure de vérification basée sur une sémantique formelle exécutable des langages Chisel et FIRRTL et 2) la conception et l'implémentation d'un langage d'assertion pour exprimer des propriétés de sécurité et de sûreté temporel qui seront ensuite vérifiées sur l'infrastructure formelle développée précédemment. Les contributions scientifiques de cette thèse seront évaluées sur une sélection d'architectures matérielles issues du riche eco-système RISC-V.

Télécharger l'offre (.zip)

Attaque side channel contre la confidentialité des modèles de machine learning embarqués : attaques, protection, évaluation

Département Systèmes (LETI)

Laboratoire Sécurité des Objets et des Systèmes Physiques

Machine Learning, microélectronique, systèmes embarqués

01-09-2020

SL-DRT-20-0584

pierre-alain.moellic@cea.fr

Une des tendances majeures de l'Intelligence Artificielle aujourd'hui est le déploiement massif des systèmes de Machine Learning sur une multitude de plateformes embarquées. La majorité des fabricants de semi-conducteurs proposent des produits « compatibles A.I. », principalement pour des réseaux de neurones pour de l'inférence. La sécurité est un des grands freins au déploiement de ces systèmes. De nombreux travaux soulèvent des menaces aux impacts désastreux pour leur développement, comme les « adversarial examples » ou le « membership inference ». Ces travaux considèrent les algorithmes de ML selon un point de vue purement algorithmique sans prendre en considérations les particularités de leur implémentation matérielle. De plus, des études plus poussées sont indispensables sur les attaques physiques (side-channel et injection de fautes). En considérant une surface d'attaque regroupant les aspects algorithmiques et matériels, la thèse propose d'analyser des menaces de type Side-Channel Analysis (SCA) ciblant la confidentialité des données d'apprentissage et des modèles (reverse engineering) des systèmes EML et le développement de protections efficaces. Quelques travaux s'intéressent aux attaques physiques contre des réseaux de neurones embarqués mais avec des architectures très simples sur des microcontrôleurs 8-bit, ou FPGA ou en pure simulation. Ces travaux ne proposent pas encore des liens entre les modèles de fautes ou les fuites mises en évidence et les failles algorithmiques. En se basant sur l'expérience d'autres systèmes critiques (e.g., module cryptographique), la philosophie de la thèse sera de considérer conjointement le monde algorithmique et le monde physique pour mieux appréhender la complexité des menaces et développer des protections appropriées. La thèse s'intéressera aux questions scientifiques suivantes : (1) Caractérisation et exploitation des fuites side-channel : comment exploiter les fuites de type side-channel (consommation et/ou rayonnement EM) pour retrouver des informations sensibles sur les données d'apprentissage ou des informations sur l'architecture des modèles. (2) Evaluation des mécanismes de protections classiques : quel est la pertinence et l'efficacité des schémas de défenses classiques de type masking / hiding pour ce type de systèmes et de menaces ? (3) Développement de nouvelles protections appropriées aux réseaux de neurones embarqués.

Télécharger l'offre (.zip)

115 (Page 5 sur 20)
first   previous  3 - 4 - 5 - 6 - 7  next   last
-->

Voir toutes nos offres