Transistors synaptiques nano-ioniques à base de lithium pour le calcul neuromorphique

Lithium-based nano-ionic synaptic transistors for neuromorphic computing

• Auteur / Autrice : Ngoc Anh Nguyen
• Direction : Olivier Schneegans, Sami Oukassi
• Type : Thèse de doctorat
• Discipline(s) : Electronique, Photonique et Micro-Nanotechnologies
• Date : Soutenance le 19/12/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie électrique et électronique de Paris (Gif-sur-Yvette, Essonne ; 1998-....)
• Partenaire(s) de recherche : référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Jury : Président / Présidente : Ahmad Bsiesy
• Jury : Examinateurs / Examinatrices : Marc Bocquet, Fabien Alibart, Marie-Paule Besland, Damien Querlioz
• Jury : Rapporteurs / Rapporteuses : Marc Bocquet, Fabien Alibart

Mots clés

Mots clés contrôlés

Memristors

Couches minces

Nanoélectronique

Mots clés libres

Calcul neuromorphique

Transistors synaptiques

Nanoelectronique

Films minces

LiCoO2

LiTiO2

Neuromorphic computing

Synaptic transistors

Nanoelectronics

Thin films

LiCoO2

LiTiO2

Résumé

En informatique, l'architecture actuelle de Von Neumann est confrontée à d'importantes difficultés dans la réalisation de tâches cognitives (de reconnaissance ou de classification d'images ou de sons par exemple). Pour surmonter cet obstacle, l'architecture neuromorphique représente une piste prometteuse vers la réalisation de traitements cognitifs performants avec une faible consommation énergétique. La conception de tels systèmes nécessite cependant le développement de synapses artificielles dont le comportement se rapproche de leurs analogues biologiques. À l'heure actuelle, de nombreuses recherches se concentrent sur des nanodispositifs spécifiques (memristors) dont la conductance électrique peut être modulée aisément afin d'émuler le comportement de liaisons synaptiques biologiques. Pour ces composants électroniques, deux configurations sont possibles (à 2 terminaux et à 3 terminaux). Parmi les synapses artificielles à 3 terminaux, les transistors ioniques apparaissent comme de bons candidats potentiels. Leur fonctionnement repose sur un empilement {canal/conducteur ionique} qui permet d'injecter/extraire des ions (via le conducteur ionique) dans la partie active du transistor (le canal), et de moduler ainsi finement la conductance électrique du composant.Dans cette thèse, nous explorons de nouveaux types de transistors nano-ioniques pour la réalisation de synapses artificielles. Nous avons d'abord élaboré des transistors synaptiques tout-solide à l'échelle d'un wafer en utilisant des techniques de microfabrication compatibles CMOS : une première génération de composants (deux types d'empilements possibles : LiCoO2/LiPON, LixTiO2/LiPON) a été réalisée. Les propriétés physiques et structurales de tels transistors ont été caractérisées par différentes techniques de microscopie et de spectroscopie (MEB, MET, spectroscopie Raman). Leurs performances en termes de comportement synaptique (modulation de la conductance, stabilité des états, non-linéarité, consommation d'énergie et endurance) ont été démontrées. Une étude électrochimique systématique (focalisée sur le matériau constituant le canal du transistor) a été réalisée, afin de proposer une explication sur l'origine des performances de ces composants. À partir des résultats expérimentaux, des réseaux de calcul neuromorphique (ANNs et SNNs) ont été simulés. En particulier, un réseau de neurones artificiels (ANN : artificial neural network) composés de matrices de transistors synaptiques a été simulé et testé sur différentes tâches de reconnaissance de formes. Le comportement cognitif de conditionnement classique (expérience de Pavlov) a également été simulé, montrant l'applicabilité potentielle de nos transistors synaptiques aux réseaux de neurones à impulsions (SNNs : spiking neural networks). Enfin, diverses approches (nouveaux designs, architectures et matériaux) ont été envisagées pour améliorer encore les performances globales de nos transistors synaptiques, vers une seconde génération de composants.

The present Von Neumann computing architecture faces huge problems in achieving complex tasks such as recognition and classification. To overcome such bottleneck, neuromorphic computing represents an innovative and promising architecture towards performing intelligent and energy-efficient computation. The construction of such systems requires however the development of artificial synapses with biorealistic behavior. At present, a high research interest focuses on specific devices (memristors) whose electrical conductance can be tuned to emulate the evolution of biological synaptic weights. Two different device configurations (2-terminal and 3-terminal) are being explored. Among 3-terminal artificial synapses, ion-gated transistors appear as promising candidates. They rely on using an ion conductor as a gate dielectric to intercalate or extract ions into/from the channel layer following electrochemical reactions, thus, modifying the analog conductance states of the transistor.In this thesis, we explored novel nano-ionic transistors as synaptic components. We first managed to elaborate wafer-scale, all-solid-state synaptic transistors using CMOS-compatible microfabrication techniques: a first generation of transistors with two possible gate stacks (LiCoO2/LiPON and LixTiO2/LiPON) has been successfully realized. The physical and structural properties of these transistors have been characterized by different microscopy and spectroscopy techniques (SEM, TEM, Raman spectroscopy). Subsequently, synaptic behaviors such as conductance modulation, state retention, nonlinearity, energy consumption, and endurance have been demonstrated. We carried out a systematic electrochemical study (focused on the active channel material), and proposed an explanation on the performance of the synaptic transistors. Furthermore, from the experimental results, neuromorphic computing networks (ANNs and SNNs) have been simulated. Specifically, neural ANN cores composed of crossbar arrays including our synaptic transistors have been simulated and tested with different pattern recognition tasks. Besides, the Pavlovian conditioning experiment has been simulated, showing the potential applicability of our synaptic transistors to spiking neural networks (SNNs). Finally, various approaches (new designs, architectures, and materials) have been considered to improve further the overall transistor performance, towards a second generation of synaptic transistors.