Calcul non-conventionnel basé sur les propriétés stochastiques de dispositifs spintroniques

Leveraging Stochastic properties of Spintronic Nanodevices for Unconventional Computing

• Auteur / Autrice : Nhat Tan Phan
• Direction : Lorena Anghel, Ricardo Sousa
• Type : Projet de thèse
• Discipline(s) : Nano électronique et Nano technologies
• Date : Inscription en doctorat le ; Soutenance le 04/02/2025
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal
• Partenaire(s) de recherche : Laboratoire : Spintronique et Technologie des Composants
• Jury : Président / Présidente : Liliana Buda-prejbeanu
• Jury : Examinateurs / Examinatrices : Lorena Anghel, Giovanni Finocchio, Grégoire De loubens, Julie Grollier
• Jury : Rapporteurs / Rapporteuses : Giovanni Finocchio, Grégoire De loubens

Mots clés

Mots clés libres

Intelligence artificielle

Spintronique

Jonction Tunnel Magnétique Stochastique

Calcul bio-inspirée

Stochastic Magnetic Tunnel Junctions

Spintronic

Brain-inspired computing

Artificial Intelligence

Résumé

L'avancement rapide de l'intelligence artificielle (IA) au XXIe siècle a conduit à des percées remarquables dans divers domaines, du traitement du langage naturel à la vision par ordinateur. Cependant, la croissance exponentielle de l'IA pousse les technologies traditionnelles des semi-conducteurs à leurs limites, nécessitant des approches fondamentalement nouvelles en matière de calcul pouvant fournir la puissance et l'efficacité nécessaires. Les nanodispositifs spintroniques, en particulier les nano-oscillateurs à couple de spin (STNOs) et les jonctions tunnel superparamagnétiques perpendiculaires (p-SMTJs), sont apparus comme des candidats prometteurs pour les paradigmes de calcul non conventionnels comme le calcul neuromorphique. Ces dispositifs possèdent des propriétés uniques telles que la non-volatilité, le comportement analogique, la dynamique intrinsèque et l'évolutivité, les rendant bien adaptés pour émuler les caractéristiques clés des systèmes neuronaux biologiques. Cette thèse explore le potentiel des STNOs et des p-SMTJs pour le calcul bio-inspiré, en se concentrant sur l'exploitation de leur comportement stochastique inhérent. Elle soutient que le bruit intrinsèque dans ces dispositifs nanométriques, souvent considéré comme un inconvénient dans le calcul traditionnel, peut être exploité comme une ressource utile pour le calcul, similaire au rôle du bruit dans le traitement biologique de l'information. À travers des investigations théoriques et expérimentales approfondies, ce travail démontre l'utilisation de la dynamique de phase stochastique dans les STNOs à base de vortex pour générer des séquences de bits véritablement aléatoires et non biaisées, fournit une caractérisation détaillée du comportement de commutation induit par le bruit des p-SMTJs ainsi que des méthodes pour un contrôle et une mesure précis, explore le comportement collectif et le potentiel computationnel des réseaux de p-SMTJs couplés électriquement. En embrassant la stochasticité intrinsèque des nanodispositifs spintroniques et en développant de nouvelles architectures et algorithmes qui exploitent cette propriété, cette thèse vise à contribuer au développement de systèmes de calcul écoénergétiques, robustes et adaptables. L'objectif ultime est de permettre de nouveaux paradigmes de calcul bio-inspirés qui peuvent répondre aux demandes croissantes de l'IA et d'autres applications à calcul intensif, tout en offrant des améliorations significatives par rapport aux approches traditionnelles en termes de consommation d'énergie et de tolérance aux pannes. Ce travail a le potentiel d'ouvrir de nouvelles voies pour le calcul non conventionnel et de stimuler la prochaine génération de systèmes intelligents.

The rapid advancement of artificial intelligence (AI) in the 21st century has led to remarkable breakthroughs across various domains, from natural language processing to computer vision. However, the exponential growth of AI is pushing traditional semiconductor technologies to their limits, demanding fundamentally new approaches to computing that can provide the necessary power and efficiency. Spintronic nanodevices, particularly Spin-Torque Nano-Oscillators (STNOs) and perpendicular Superparamagnetic Tunnel Junctions (p-SMTJs), have emerged as promising candidates for unconventional computing paradigms like neuromorphic computing. These devices possess unique properties such as non-volatility, analog behavior, intrinsic dynamics, and scalability, making them well-suited for emulating the key features of biological neural systems. This thesis explores the potential of STNOs and p-SMTJs for brain-inspired computing, focusing on harnessing their inherent stochastic behavior. It argues that the intrinsic noise in these nanoscale devices, often seen as a drawback in traditional computing, can be leveraged as a computationally useful resource, akin to the role of noise in biological information processing. Through comprehensive theoretical and experimental investigations, this work demonstrates the use of stochastic phase dynamics in vortex-based STNOs for generating unbiased truly random bitstreams, provides a detailed characterization of the noise-driven switching behavior of perpendicular-SMTJs along with methods for precise control and measurement, explores the collective behavior and computational potential of electrically coupled networks of p-SMTJs. By embracing the intrinsic stochasticity of spintronic nanodevices and developing novel architectures and algorithms that leverage this property, this thesis aims to contribute to the development of energy-efficient, robust, and adaptable computing systems. The ultimate goal is to enable new brain-inspired computing paradigms that can meet the growing demands of AI and other computationally intensive applications, while offering significant improvements over traditional approaches in terms of power consumption and fault tolerance. This work has the potential to open up new avenues for unconventional computing and drive the next generation of intelligent systems.