Réseaux de neurones bayésiens avec transistors à effet de champ à mémoire ferroélectrique (FeMFETs) // Bayesian Neural Networks with Ferroelectric Memory Field-Effect Transistors (FeMFETs)

De plus en plus de systèmes critiques pour la sécurité reposent sur des fonctions d’intelligence artificielle (IA) qui exigent des capacités de calcul robustes et économe en énergie, souvent dans des environnements marqués par une rareté des données et une forte incertitude. Cependant, les approches traditionnelles de l’IA peinent à quantifier la confiance associée à leurs prédictions, ce qui les rend vulnérables à des décisions peu fiables, voire dangereuses.
Cette thèse s’inscrit dans le domaine émergent de l’électronique bayésienne, qui exploite l’aléa intrinsèque de nanodispositifs innovants pour effectuer des calculs bayésiens directement au niveau du matériel. En encodant les distributions de probabilité au sein même du hardware, ces dispositifs permettent une estimation naturelle de l’incertitude, tout en réduisant la complexité computationnelle par rapport aux architectures déterministes classiques.
Des travaux antérieurs ont déjà démontré le potentiel des memristors pour l’inférence bayésienne. Cependant, leur endurance limitée et leur consommation énergétique élevée lors de la programmation représentent des obstacles majeurs à l’apprentissage embarqué sur puce.
Dans cette thèse, il est proposé d’exploiter des composants mémoires emergents ferroelectric memory field-effect transistors (FeMFETs) pour l’implémentation de réseau de neurones bayésiens.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Artificial Intelligence (AI) increasingly powers safety-critical systems that demand robust, energy-efficient computation, often in environments marked by data scarcity and uncertainty. However, conventional AI approaches struggle to quantify confidence in their predictions, making them prone to unreliable or unsafe decisions.

This thesis contributes to the emerging field of Bayesian electronics, which exploits the intrinsic randomness of novel nanodevices to perform on-device Bayesian computation. By directly encoding probability distributions at the hardware level, these devices naturally enable uncertainty estimation while reducing computational overhead compared to traditional deterministic architectures.

Previous studies have demonstrated the promise of memristors for Bayesian inference. However, their limited endurance and high programming energy pose significant obstacles for on-chip learning applications.

This thesis proposes the use of ferroelectric memory field-effect transistors (FeMFETs)—which offer nondestructive readout and high endurance—as a promising alternative for implementing Bayesian neural networks.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Composants Silicium (LETI)
Service : Service des Composants pour le Calcul et la Connectivité
Laboratoire : Laboratoire de Composants Mémoires
Date de début souhaitée : 01-10-2025
Ecole doctorale : Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Directeur de thèse : VIANELLO Elisa
Organisme : CEA
Laboratoire : DRT/DCOS//LDMC

Public/private mixed funding

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Composants Silicium (LETI)
Service : Service des Composants pour le Calcul et la Connectivité

Master 2 microélectronique, nanotechnologie, sciences des matériaux, physique