Thèse Fabrication Caractérisation et Apprentissage dans l'Espace Fréquentiel de Réseaux Neuronaux Rf Spintroniques H/F

Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Physique École doctorale : Physique en Ile de France Laboratoire de recherche : Laboratoire Albert Fert, CNRS, Thales, Université Paris Saclay Direction de la thèse : Julie GROLLIER ORCID 0000000348664490 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-06-30T23:59:59 Ce projet de thèse s'inscrit dans la continuité des travaux récents de l'équipe sur les réseaux neuronaux spintroniques radiofréquence. Ces travaux ont montré que des jonctions tunnel magnétiques et des spin-diodes peuvent traiter directement des signaux RF analogiques, réaliser des sommes pondérées sur des composantes fréquentielles, effectuer des convolutions et connecter plusieurs couches de calcul sans passer systématiquement par une numérisation du signal. La thèse visera à franchir une étape supplémentaire : passer de démonstrations de traitement RF à des réseaux spintroniques RF entraînables, reconfigurables et robustes aux imperfections expérimentales.

Le travail portera d'abord sur la fabrication et la caractérisation de nanodispositifs spintroniques RF, en particulier des dispositifs exploitant la résonance magnétique, la magnétorésistance et les effets non linéaires pour convertir, pondérer ou mélanger des signaux fréquentiels. Les réponses des dispositifs seront mesurées en fonction de la fréquence, de la puissance RF, du champ magnétique, de la polarisation et de l'état magnétique, afin d'identifier les régimes permettant de réaliser des opérations de type synapse ou neurone.

Un axe central sera l'utilisation du multiplexage fréquentiel comme support naturel de l'information. Plusieurs entrées ou canaux pourront être encodés simultanément dans différentes composantes RF, puis transformés par les fonctions de transfert des dispositifs ou de chaînes de dispositifs. La thèse explorera ainsi des architectures où les poids effectifs du réseau sont portés par la réponse spectrale, par l'état magnétique des nanodispositifs ou par leur organisation en assemblages.

En parallèle, le ou la doctorante développera des modèles et algorithmes d'apprentissage adaptés à ces systèmes physiques : modèles différentiables ou semi-empiriques extraits des mesures, optimisation des paramètres accessibles expérimentalement, prise en compte du bruit, de la variabilité et des contraintes de reconfiguration. Une attention particulière sera portée à la programmation matérielle des poids, notamment par signaux RF partagés, afin d'étudier des réseaux capables de s'adapter à plusieurs tâches, par exemple la classification d'images encodées en fréquence ou l'identification de signatures RF.

L'objectif final est de démontrer une boucle complète associant fabrication, mesure, modélisation, apprentissage et validation expérimentale, et d'établir les principes permettant à des réseaux neuronaux spintroniques RF d'apprendre directement dans l'espace fréquentiel.

Le projet combinera ainsi spintronique expérimentale, nanofabrication, mesures RF, analyse de données et apprentissage automatique. Il visera à démontrer des fonctions d'apprentissage dans des réseaux neuronaux spintroniques RF et à établir un lien direct entre la dynamique physique des nanodispositifs et leurs performances pour le calcul neuromorphique. Les progrès récents de l'intelligence artificielle reposent largement sur des réseaux neuronaux profonds, mais leur déploiement dans des systèmes embarqués reste limité par le coût énergétique du calcul numérique, des transferts mémoire et de la conversion analogique-numérique. Cette limitation est particulièrement critique pour le traitement de signaux radiofréquence, par exemple dans les domaines des télécommunications, des radars, de la robotique ou de l'identification de signatures RF, où l'information est naturellement portée par des composantes fréquentielles.

Le calcul neuromorphique physique propose une approche alternative : utiliser directement la dynamique de dispositifs physiques pour réaliser certaines opérations de calcul. Dans ce contexte, la spintronique offre des propriétés particulièrement intéressantes. Les jonctions tunnel magnétiques, oscillateurs spintroniques et spin-diodes présentent des réponses dépendantes de la fréquence, des résonances magnétiques, des non-linéarités, des effets de conversion RF-DC ou DC-RF, ainsi que des états magnétiques reconfigurables. Ces fonctionnalités peuvent être exploitées pour réaliser des opérations analogues à celles de neurones et de synapses artificiels.

L'équipe « Physique Neuromorphique » du Laboratoire Albert Fert a récemment développé plusieurs briques importantes dans cette direction. Des réseaux spintroniques RF multicouches ont montré qu'il est possible de connecter des jonctions tunnel magnétiques par des signaux radiofréquence et de traiter des entrées RF sans numérisation systématique. D'autres travaux ont montré que des chaînes de dispositifs spintroniques résonants ou de spin-diodes peuvent effectuer des sommes pondérées et des opérations de convolution directement dans le domaine fréquentiel. Plus récemment, la programmation de poids synaptiques par signaux RF partagés a ouvert une voie vers des réseaux reconfigurables, dans lesquels l'état magnétique de dispositifs connectés en chaîne module la réponse spectrale et donc la fonction de calcul réalisée.

Ces résultats établissent que les nanodispositifs spintroniques RF peuvent traiter l'information de manière collective, analogique et fréquentielle. Toutefois, plusieurs verrous restent ouverts pour passer de démonstrations de fonctions de calcul à de véritables réseaux neuronaux matériels entraînables. Il faut notamment comprendre comment choisir les géométries et états magnétiques des dispositifs, comment contrôler et exploiter leurs fonctions de transfert fréquentielles, comment gérer le bruit et la variabilité expérimentale, et comment définir des stratégies d'apprentissage compatibles avec des paramètres physiques contraints.

Le contexte scientifique de cette thèse est donc celui du passage d'architectures spintroniques RF capables de traiter des signaux à des réseaux capables d'apprendre et de se reconfigurer dans l'espace fréquentiel. L'enjeu est d'exploiter la fréquence non seulement comme support de transmission de l'information, mais aussi comme espace de calcul et d'apprentissage. Cette approche pourrait permettre de concevoir des systèmes neuromorphiques compacts, rapides et sobres en énergie, capables de traiter directement des signaux RF ou des données encodées en fréquence, en tirant parti des résonances, non-linéarités et états magnétiques des nanodispositifs. L'objectif général de cette thèse est de franchir une étape vers des réseaux neuronaux spintroniques RF capables non seulement de traiter des signaux dans le domaine fréquentiel, mais aussi d'être entraînés et reconfigurés en tenant compte des propriétés physiques réelles des dispositifs.

Un premier objectif sera de concevoir et fabriquer des dispositifs spintroniques RF adaptés à des opérations élémentaires de réseau neuronal : détection résonante, pondération de composantes fréquentielles, conversion RF-DC ou DC-RF, et réponse non linéaire. Le travail s'appuiera sur les architectures récentes de réseaux spintroniques RF, tout en cherchant à identifier des géométries plus simples, plus robustes et plus faciles à mettre en réseau.

Un deuxième objectif sera d'établir expérimentalement la fonction de transfert fréquentielle de ces dispositifs et de leurs assemblages. Il s'agira de mesurer comment la géométrie, l'état magnétique, la fréquence d'excitation, l'amplitude RF, le champ magnétique et les conditions de polarisation modifient la réponse des dispositifs. Cette étape permettra d'identifier les régimes exploitables pour réaliser des sommes pondérées, des filtrages fréquentiels, des convolutions RF ou des fonctions non linéaires utiles au calcul neuromorphique.

Un troisième objectif sera d'exploiter la fréquence comme degré de liberté pour encoder l'information, connecter plusieurs couches et définir des poids synaptiques. La thèse cherchera notamment à utiliser le multiplexage fréquentiel pour représenter simultanément plusieurs entrées ou canaux, et à contrôler la contribution de chaque composante fréquentielle à la sortie du réseau. Cette approche permettra d'étudier des architectures où le traitement de l'information est effectué directement par la réponse spectrale des dispositifs, sans conversion systématique vers un traitement numérique classique.

Un quatrième objectif sera de développer des stratégies d'apprentissage compatibles avec ces contraintes physiques. Il s'agira de construire des modèles différentiables ou semi-empiriques à partir des mesures expérimentales, puis de les utiliser pour entraîner les paramètres accessibles du réseau : fréquences, amplitudes, états magnétiques, configurations de chaînes de dispositifs ou poids effectifs. Une attention particulière sera portée à l'adaptation d'outils d'apprentissage standards, tels que l'optimisation par gradient ou l'entraînement de systèmes dynamiques, à des dispositifs expérimentaux bruités, variables et partiellement contraints.

Un cinquième objectif sera d'étudier la reconfiguration matérielle des poids synaptiques par des signaux RF, en s'inspirant des résultats récents sur la programmation à distance de chaînes de jonctions tunnel magnétiques. La thèse visera à déterminer dans quelle mesure la modification contrôlée des états magnétiques permet de remodeler la réponse spectrale d'un réseau et de l'adapter à différentes tâches de classification ou de traitement de signaux RF.

À terme, la thèse visera à démontrer une boucle complète associant fabrication, mesure, modélisation, apprentissage et validation expérimentale. L'ambition est de montrer comment des réseaux spintroniques RF peuvent apprendre dans l'espace fréquentiel en exploitant directement leurs dynamiques physiques, leurs résonances, leurs non-linéarités et leur variabilité, plutôt qu'en les contournant.