Transistors synaptiques pour calcul neuromorphique

Synaptic transistors for neuromorphic computing

• Auteur / Autrice : Massimiliano Melfi
• Direction : Sami Oukassi, Olivier Schneegans
• Type : Projet de thèse
• Discipline(s) : Physique appliquée
• Date : Inscription en doctorat le 25/09/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale physique
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Electronique et de Technologie de l'Information (LETI)

Mots clés

Mots clés libres

Calcul neuromorphique

Transistor synaptique

Électrochimie solide

Neuromorphic computing

Synaptic transistors

Solid Electrochemistry

Résumé

L'objectif est d'évaluer le comportement synaptique des transistors ioniques. Pour ce faire, des composants intégrant une sélection de matériaux (dichalcogénures et oxydes de métaux de transition, conducteurs ioniques à l'état solide) et d'architectures seront mis en œuvre. Le comportement synaptique sera évalué en termes de linéarité, symétrie, endurance, rétention et consommation d'énergie. Une phase de modélisation étudiera les corrélations entre les mécanismes physico-chimiques (conduction ionique, intercalation, accumulation de charges aux interfaces) et les performances électriques, et permettra de proposer des composants optimisés et des modes d'intégration associés. Des simulations seront réalisées avec des algorithmes de calcul neuromorphique et en utilisant des données expérimentales du composants réalisés à comparer avec des solutions de pointe.

The objective is to evaluate the synaptic behavior of ionic transistors. To do so, components embedding a selection of materials (transition metal dichalcogenides and oxides, solid state ionic conductors) and architectures will be implemented. The synaptic behavior will be evaluated in terms of linearity, symmetry, endurance, retention and energy consumption. A modeling phase will investigate the correlations between physico-chemical mechanisms (ionic conduction, intercalation, accumulation of charges at the interfaces) and electrical performances, and will allow to propose optimized components and associated integration modes. Simulations will be performed with neuromorphic computation algorithms and using experimental data of the realized components to compare with state-of-the-art solutions.