Architecture neuronale pour l'apprentissage d'une heuristique de recherche rapide des caractéristiques optimales de composants HEMT types GaN

Neural architecture for learning a fast heuristic search for optimal characteristics of HEMT types GaN components

• Auteur / Autrice : Julien Alleman
• Direction : Michel Prigent, Fabien Courreges
• Type : Projet de thèse
• Discipline(s) : Sciences et ingénierie pour l'information
• Date : Inscription en doctorat le 10/10/2022
• Etablissement(s) : Limoges
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie (Limoges ; 2022-)
• Partenaire(s) de recherche : Laboratoire : XLIM
• Partenaire(s) de recherche : Equipe de recherche : XLIM SRI - Systèmes & Réseaux Intelligents

Mots clés

Mots clés libres

Réseaux de neurones

Caractérisation de transistors

Modélisation de transistors

Neural network

Transistor modeling

Transistor characterization

Résumé

Les composants à base de nitrure de gallium ont favorisé l'émergence de nouvelles architectures de chaines d'émission hyperfréquences répondant aux futurs besoins des applications basées sur la 5G. L'objectif de notre projet est double : 1) développer une intelligence artificielle pour obtenir une caractérisation complète et rapide des performances électriques des transistors en technologie GaN (PAE, linéarité, …) sur un banc de « Load Pull » en gamme millimétriques 2) Utiliser les réseaux de neurones pour aider à l'optimisation des modèles non-linéaires électrothermiques des composants HEMT GaN

Gallium nitride-based components have fostered the emergence of new microwave emission chain architectures to meet the future needs of 5G-based applications. The objective of our project is twofold: 1) to develop an artificial intelligence to obtain a complete and rapid characterization of the electrical performances of the transistors in GaN technology (PAE, linearity, ... ) on a 'Load Pull' bench in millimetre range 2) Using neural networks to help optimize electrothermal non-linear models of HEMT GaN components