Littérature scientifique sur le sujet « Circuit neuromorphique »

Les machines de vision basées sur les méthodes computationnelles actuelles ont besoin de capteurs de caractéristiques de bas niveau. Ces capteurs mesurent des propriétés locales de l'image comme l'échelle, l'orientation et le mouvement. Les dispositifs de circuits intégrés analogiques qui imitent les fonctions des systèmes biologiques sont robustes, de basse consommation et assez rapides afin de résoudre des problèmes de vision et de traitement d'image en temps en réel. Dans cette thèse, nous montrons comment les réseaux résistifs actifs avec peu de connections offrent un cadre pertinent pour la réalisation de capteurs de caractéristiques de bas niveaux habituellement utilisés en vision par ordinateur (filtrage passe-bande, détecteurs de contours, détecteurs de vitesse, etc. ). Ces réseaux résistifs actifs permettent également de construire une architecture homogène et simple. Les réseaux résistifs avec une interaction à quatre voisins implémentent à la fois des filtres spatio-temporels sélectifs à la vitesse et des filtres spatiaux orientés. Avec une architecture basée sur des réseaux résistifs actifs, les filtres sélectifs à la vitesse permettent d'estimer avec efficacité et fiabilité le mouvement. La génération de filtres complexes utilisés en vision par ordinateur est réalisée à partir d'une base de filtres spatiaux orientés basés sur les réseaux résistifs. La génération de filtres complexes (ex. , filtres passe-bande orientés en quadrature, détecteurs de coins, détecteurs de mouvement, etc. ) est approximée à partir d'une combinaison linéaire de cette base de filtres. Changer la combinaison linéaire des filtres de la base permet alors d'ajuster l'architecture à d'autres caractéristiques de l'image. En conclusion, l'architecture que nous proposons offre une méthode de faible complexité permettant la réalisation de filtres spatiaux et spatiotemporels<br>Vision machines based on actual computational methods require the development of simple low-level feature detectors. The low-level feature detectors measure local image properties as scale, orientation, and velocity. Analog VLSI devices that mimic some functionality of biological systems appear to be robust, low power consuming, and fast enough to solve vision problems in real time. In this thesis, it is shown that active resistive diffusion networks with low connectivity offer a common framework for the implementation of the low-level feature detectors commonly used in vision (band-pass, wedge, endstopped, velocity-tuned, etc. ) yielding to a simple and homogeneous architecture. Diffusion networks with four neighbor interactions implement velocity-tuned spatiotemporal filters and oriented spatial filters. Velocity-tuned filters yield to efficient and reliable motion estimation using an analog architecture based on active resistive networks from the photoreceptor level to velocity estimation. Oriented spatial filters using resistive diffusion networks yield to a filter basis able to generate complex filters commonly used in vision. From this basis of filters, we generate more complex filters (e. G. Oriented quadrature band-pass, quadrature wedge filters) that are approximated by a linear combination of that basis. Changing the linear combination of the basis filters allows the tuning of the architecture to different features. The proposed architecture offers a way to implement both spatial and spatiotemporal filters (motion sensors) with a low cost. This approach opens an issue to the problem of implementing large sets of spatial and spatiotemporal filters tuned to different features (edges, junctions, velocity, etc. ) in a single chip

Alors que les exigences en matière d'IA augmentent, de nouveaux paradigmes informatiques deviennent essentiels. Les architectures traditionnelles de von Neumann peinent à répondre aux exigences intensives de l'IA. L'informatique neuromorphique, inspirée par le cerveau, intègre traitement et mémoire pour une computation plus rapide et efficace, idéale pour des applications d'IA comme l'apprentissage profond et la reconnaissance de formes. Les matériaux clés pour l'informatique neuromorphique incluent les synaptors et les neuristors. Les memristors, des mémoires non volatiles fabriquées à partir d'oxydes tels que HfO2 et TiO2, imitent le comportement synaptique en changeant d'état via des filaments à l'échelle nanométrique ou des transitions de phase. Quant aux neuristors, ils imitent le celui du déclenchement des neurones en utilisant des memristors et des circuits résistance-condensateur reproduisant le modèle LIF (Leaky, Integrate, and Fire). À température ambiante, l’isolant de Mott VO2 remplit les fonctions neuronales en formant des chemins conducteurs volatiles. Cependant, les synaptors et les neuristors nécessitent souvent des matériaux différents. L'optimisation de VO2 comme synapse pourrait lui permettre de remplir les deux fonctions à température ambiante.Étudier des systèmes à séparation de phases comme VO2 reste complexe en raison des inhomogénéités. Les avancées en microscopie infrarouge et optique permettent désormais d'imager ces régions avec une résolution nanométrique. Les techniques de champ proche peuvent sonder la conductivité locale à l'échelle nanométrique. Cependant, ces sondes ont des limites : (i) des scans longs pour les inhomogénéités plus grandes et (ii) des transitions de phase induites par la température causant des dérives thermiques et des comparaisons d'images difficiles. Pour y remédier, nous avons développé un système de microscopie optique à champ lointain pour étudier les transitions de phase dans le VO2. Ce système exploite le contraste optique entre les phases isolantes et métalliques, observable des nanomètres aux microns.Nous avons mis en œuvre différents protocoles de température en imagerie continue, compensant la dérive thermique et alignant des images nettes. Cela permet des traces temporelles de pixels uniques pour indiquer les températures spécifiques de transition de phase. Nous avons tout d’abord cartographié la température critique (Tc), la largeur de transition (ΔTc) et leur netteté (δTc). Ces cartographies pourraient permettre d'adapter les propriétés du VO2 pour des applications spécifiques comme les dispositifs de mémoire et les composants à commutation rapide. Nous avons également présenté la première imagerie optique de la mémoire à inversion de rampe (RRM) dans le VO2, montrant l'évolution des clusters pendant l'entraînement thermique. L'accumulation de mémoire se produit aux frontières des clusters et à l'intérieur des patchs, suggérant une diffusion préférentielle des défauts ponctuels.De plus, nous avons mené une analyse d'apprentissage automatique (ML) des motifs fractals dans le VO2, en utilisant le ML pour classifier l'Hamiltonien, conduisant à la formation de motifs. Notre réseau neuronal convolutionnel (CNN) a atteint une haute précision avec des données synthétiques et expérimentales, confirmant la formation de motifs due à la proximité d'un point critique du modèle Ising 2D à champ aléatoire. Cela, combiné à la réduction de symétrie et à la quantification de confiance, offre un puissant nouvel outil pour analyser les transitions de phase complexes dans les matériaux corrélés. Notre recherche fournit une nouvelle méthode de caractérisation optique pour comprendre la dynamique de transition du VO2 et introduit des approches innovantes pour des applications non-mémoires. Ces perspectives posent les bases d'études futures explorant le potentiel de la RRM et étendant les cadres ML à d'autres matériaux corrélés<br>As AI demands grow, new computing paradigms are essential. Traditional von Neumann architectures struggle with intensive AI requirements. Neuromorphic computing, inspired by the brain, integrates processing and memory for faster, efficient computation, ideal for AI applications like deep learning and pattern recognition.Key materials for neuromorphic computing include synaptors and neuristors. Memristors, non-volatile memories made from oxides like HfO2 and TiO2, mimic synaptic behavior by switching states via nanoscale filaments or phase transitions. Neuristors emulate neuron spiking behavior using memristors and resistance-capacitance circuits to replicate the Leaky, Integrate, and Fire model. Mott insulators like VO2 mimic neuron-like behavior by forming volatile conductive pathways. However, synaptors and neuristors often require different materials. Optimizing VO2 for synaptic behavior could enable it to serve both functions at room temperature.Studying phase-separated systems like VO2 is complex due to inhomogeneities. Advances in infrared and optical microscopy now allow imaging these regions with nanometer-scale resolution. Near-field techniques, using atomic force microscopes coupled to IR lasers, can probe local conductivity at the nanoscale. However, these probes have limitations: (i) long scans for larger inhomogeneities and (ii) temperature-driven phase transitions causing temperature drifts and difficult imaging comparisons.To address these, we developed a far-field optical microscopy setup to study VO2 phase transitions. This setup leverages optical contrast between insulating and metallic phases, observable from nanometers to microns. We applied different temperature protocols while continuously imaging, counteracting temperature drift and aligning sharp images. This enables single-pixel time traces to indicate specific phase transition temperatures.We first mapped critical temperature (Tc), transition width (ΔTc), and transition sharpness (δTc) in VO2. These maps could enable tailoring VO2 properties for specific applications like memory devices and fast switching components.We also presented the first optical imaging of ramp reversal memory (RRM) in VO2, showing cluster evolution during thermal subloop training. Memory accumulation occurs at cluster boundaries and within patches, suggesting preferential diffusion of point defects. This could enhance memory effects through defect engineering, improving memory devices' robustness and stability.Additionally, we pursued a machine learning (ML) analysis of fractal patterns in VO2, using ML to classify the Hamiltonian driving pattern formation. Our convolutional neural network (CNN) achieved high accuracy with synthetic and experimental data, confirming pattern formation driven by proximity to a critical point of the two-dimensional random field Ising model. This framework, combined with symmetry reduction and confidence quantification, offers a new powerful tool for analyzing complex phase transitions in correlated materials.Our research provides a new optical characterization method for understanding VO2 transition dynamics and introduces innovative approaches for optimizing VO2 for non-memory applications. These insights lay a foundation for future studies that explore RRM's potential, and extend ML frameworks to other correlated materials

Le cerveau humain est un système computationnel complexe mais énergétiquement efficace qui excelle aux applications cognitives grâce à sa capacité naturelle à faire de l'inférence. À l'inverse, les systèmes de calculs traditionnels reposant sur la classique architecture de Von Neumann exigent des consommations de puissance importantes pour exécuter de telles tâches. Ces considérations ont donné naissance à la fameuse approche neuromorphique, qui consiste à construire des systèmes de calculs inspirés du cerveau. Dans cette thèse, nous examinons l'utilisation de technologies novatrices, à savoir les mémoires résistives (RRAMs) et les technologies tridimensionnelles (3D) monolithiques, pour permettre l'implémentation matérielle compacte de processeurs neuromorphiques impulssionnels (SNNs) et reconfigurables à faible puissance. Dans un premier temps, nous fournirons une étude détaillée sur l'impact des propriétés électriques des RRAMs dans les SNNs utilisant des synapses à base de RRAMs, et entraînés avec des méthodes d'apprentissage non-supervisées (plasticité fonction du temps d'occurence des impulsions, STDP). Notamment, nous clarifierons le rôle de la variabilité synaptique provenant de la variabilité résistive des RRAMs. Dans un second temps, nous étudierons l'utilisation de matrices de mémoires ternaires adressables par contenu (TCAMs) à base de RRAMs en tant que tables de routage synaptique dans les processeurs SNNs, afin de permettre la reconfigurabilité de la topologie du réseau. Pour ce faire, nous présenterons des caractérisations électriques approfondies de deux circuits TCAMs à base de RRAMs: (i) la structure TCAM la plus courante avec deux-transistors/deux-RRAMs (2T2R), et (ii) une nouvelle structure TCAM avec un-transistor/deux-RRAMs/un-transistor (1T2R1T), toutes deux dotées de la plus petite surface silicium à l'heure actuelle. Nous comparerons les deux structures en termes de performances, fiabilité et endurance. Pour finir, nous explorerons le potentiel des technologies 3D monolithiques en vue d'améliorer l'efficacité en surface. En plus de la classique intégration monolithique des RRAMs dans le retour en fin de ligne (back-end-of-line) des technologies CMOS, nous analyserons l'empilement vertical de transistors CMOS les uns au-dessus des autres. Pour cela, nous démontrerons la possibilité d'intégrer monolithiquement deux niveaux de transistors CMOS avec un niveau de dispositifs RRAMs. Cette preuve de concept sera appuyée par des caractérisations électriques effectuées sur les dispositifs fabriqués<br>The human brain is a complex, energy-efficient computational system that excels at cognitive tasks thanks to its natural capability to perform inference. By contrast, conventional computing systems based on the classic Von Neumann architecture require large power budget to execute such assignments. Herein comes the idea to build brain-inspired electronic computing systems, the so-called neuromorphic approach. In this thesis, we explore the use of novel technologies, namely Resistive Memories (RRAMs) and three-dimensional (3D) monolithic technologies, to enable the hardware implementation of compact, low-power reconfigurable Spiking Neural Network (SNN) processors. We first provide a comprehensive study of the impact of RRAM electrical properties on SNNs with RRAM synapses and trained with unsupervised learning (Spike-Timing-Dependent Plasticity (STDP)). In particular, we clarify the role of synaptic variability originating from RRAM resistance variability. Second, we investigate the use of RRAM-based Ternary Content-Addressable Memory (TCAM) arrays as synaptic routing tables in SNN processors to enable on-the-fly reconfigurability of network topology. For this purpose, we present in-depth electrical characterisations of two RRAM-based TCAM circuits: (i) the most common two-transistors/two-RRAMs (2T2R) RRAM-based TCAM, and (ii) a novel one-transistor/two-RRAMs/one-transistor (1T2R1T) RRAM-based TCAM, both featuring the smallest silicon area up-to-date. We compare both structures in terms of performance, reliability, and endurance. Finally, we explore the potential of 3D monolithic technologies to improve area-efficiency. In addition to the conventional monolithic integration of RRAMs in the back-end-of-line of CMOS technology, we examine the vertical stacking of CMOS over CMOS transistors. To this end, we demonstrate the full 3D monolithic integration of two tiers of CMOS transistors with one tier of RRAM devices, and present electrical characterisations performed on the fabricated devices