CIFRE - Optimisation des performances et de la fiabilité de la mémoire non volatile embarquée par des algorithmes d'apprentissage par renforcement - H/F

Les mémoires non volatiles résistives (PCM, OxRAM, EEPROM…) sont au cœur des systèmes embarqués avancés (automobile, IoT, applications industrielles…) et doivent garantir des performances stables et une fiabilité élevée sur toute la durée de vie du produit. Avec la miniaturisation des technologies et la variabilité croissante des procédés, la définition des conditions d’activation (formation, écriture, effacement, rodage) et des scénarios de test devient un problème complexe : l’espace de paramètres est immense et les approches classiques (plans d’expériences, optimisation manuelle) atteignent leurs limites.

L’objectif de ce sujet de thèse est d’explorer et développer des approches IA / Machine Learning pour :

• optimiser les signaux d’activation et les conditions de test des mémoires eNVM,
• intégrer la variabilité procédé et le vieillissement dans cette optimisation,
• démontrer, sur circuits de test et véhicules de test proches du produit, que ces algorithmes permettent un calibrage plus rapide, plus robuste et plus intelligent que les méthodes traditionnelles (ex. optimisation d’opérations d’écriture/effacement, choix des meilleures conditions de fiabilité pour une puce).

Les algorithmes considérés pourront inclure des modèles de substitution, des méthodes d’optimisation (type swarm optimization) et de l’apprentissage par renforcement, couplés à des bancs de test pilotés en Python.

A propos de vos missions

• Définir des cas concrets d’optimisation (performance, fiabilité, conditions d’activation / test) sur technologies PCM, OxRAM, EEPROM.
• Mettre en place l'acquisition de mesure (scripts Python + banc de test) et constituer des jeux de données.
• Développer et adapter des algorithmes d’IA / ML (substitution, optimisation, RL) aux problématiques identifiées.
• Entraîner, et comparer les agents d’optimisation (rapidité, nombre d’essais, robustesse à la variabilité).
• Synthétiser les résultats et proposer des scénarios d’industrialisation (activation produit, tests EWS, optimisation face au vieillissement).

A propos de vous

• Formation : fin d’études ingénieur / master en microélectronique, électronique, physique, data/IA ou informatique.
• Bases en microélectronique et en physique des semiconducteurs
• langage de programmation: Python (scripts, traitement de données, éventuellement ML), C++, VBA
• Connaissances approfondis pour le Machine Learning / IA appliqués à des données physiques.
• Qualités : curiosité, esprit d’analyse, rigueur expérimentale, autonomie, force de proposition, goût pour l’innovation et le travail en équipe.