Aller au contenu principal

WP1 : Mémoire et logique


Contexte  

L'explosion du volume de données à traiter dans le monde numérique (« big data ») impose une évolution vers des nœuds technologiques toujours plus avancés, permettant l'augmentation de la densité de données et de la vitesse de calcul. Cependant, cette tendance a perdu de son élan ces dernières années. En effet, la miniaturisation des composants intégrés ne suit plus l'évolution exponentielle du volume de données. 

La miniaturisation extrême se heurte à des limites physiques insurmontables : les courants de fuite entraînent une consommation d'énergie en mode veille qui tend à dépasser la consommation en fonctionnement et créent des problèmes de dissipation thermique. De plus, la taille très réduite des dispositifs et le faible nombre d'électrons impliqués dans le codage des données entraînent une dispersion croissante des propriétés des composants et une fiabilité fortement dégradée. 

À l'inverse, les dispositifs à basse consommation, flexibles et écologiques sont attractifs pour des applications telles que l'IoT et la détection, qui ne nécessitent pas nécessairement des performances de calcul élevées.


Objectifs

Les principaux objectifs visent des applications pour des composants « conventionnels » à basse et ultra-basse consommation, flexibles et « beyond CMOS », ou des approches plus innovantes pour le calcul en mémoire (in-memory computing) et l'intelligence artificielle, ou encore le calcul approximatif et stochastique.

À cette fin, nous proposons d'étudier la physique, les procédés et de caractériser des transistors CMOS, des mémoires, des tunnel-FET, des transistors basse consommation basés sur une grille à capacité négative et des dispositifs spintroniques. 

L'accent sera mis principalement, mais pas exclusivement, sur les matériaux 2D, les ferroélectriques, la spintronique, les oxydes semi-conducteurs, l'intégration 3D et d'autres technologies. Cette recherche s'appuie sur des travaux transversaux dans les domaines du dépôt de matériaux, des technologies de structuration, de la modélisation et de la simulation, ainsi que sur des caractérisations physico-chimiques et électriques approfondies et une métrologie avancée. Le développement de la recherche accordera une attention particulière à l'adoption d'approches vertes et durables (technologie à bas coût, matériaux économiques, remplacement des éléments rares (nouveaux oxydes et matériaux d'électrodes)...).


Orientations de recherche

Dispositifs logiques disruptifs et transistors à mise à l'échelle ultime pour applications haute performance et basse consommation :

Cette tâche vise à explorer les limites des structures FDSOI et les performances/bénéfices de dispositifs MOSFET plus avancés (GAA stacked-Nanosheet, FET complémentaires, tunnel FET, III-V etc.), permettant ainsi une scalabilité ultime. Par la suite, des verrous technologiques majeurs devront être pris en compte, notamment les stress boosters, les capacités parasites, etc. Par ailleurs, la réduction de la longueur de grille et le contrôle électrostatique élevé découlent de la réduction de l'épaisseur du canal. Ainsi, des longueurs de grille ultra-courtes pourraient être rendues possibles par l'utilisation de semi-conducteurs 2D tels que les dichalcogénures de métaux de transition (TMD). 

Cela nécessite une compréhension plus approfondie de ces matériaux (MoS2, WS2…) avec de nombreux défis à relever : élaboration des matériaux 2D (dépôt ALD/CVD, transfert de couche), intégration du matériau 2D dans des nanodispositifs, ingénierie des contacts et des interfaces, compréhension et prédiction de leurs propriétés (DFT et transport quantique), etc.


Pour répondre à la réduction de la tension de commutation dans les FET, l'intégration de matériaux ferroélectriques présentant un comportement à capacité négative (NC) sera explorée. Le comportement NC dynamique des couches minces ferroélectriques (ex. HfZrO2...) sera envisagé pour une intégration en tant qu'oxyde de grille. Des empilements ferroélectriques seront étudiés comme capacités négatives statiques pour répondre à de nouvelles applications dans les domaines micro-ondes et optiques.


Intégration 3D et compatibilité BEOL : 

L'intégration 3D séquentielle offre un vaste champ de nouvelles applications car elle permet de co-intégrer différents matériaux, dispositifs et fonctions de manière rentable. Pour tirer pleinement parti des opportunités de la 3D, les niveaux BEOL intermédiaires (iBEOL) et les dispositifs de base doivent supporter les budgets thermiques des FET supérieurs. Par conséquent, l'exploration de matériaux de canal de nouvelle génération compatibles BEOL (oxydes semi-conducteurs tels que In2O3, IGZO, …) devient cruciale pour l'intégration 3D monolithique et pour les technologies de mémoires émergentes (FeFET, etc.).


Technologies et architectures de mémoires émergentes : 

Au niveau technologique, la tendance est au développement de nouvelles mémoires émergentes combinant la non-volatilité des mémoires de stockage avec la vitesse et l'endurance permettant leur utilisation comme mémoire de travail. Cela permet de cibler des architectures dites « normally off » où l'alimentation est désactivée par défaut et activée uniquement lorsque le circuit est utilisé, réduisant ainsi considérablement la consommation en mode veille. 

Ces mémoires non volatiles émergentes sont souvent de nature résistive et sont particulièrement adaptées aux architectures IMC (In-Memory Computing) en logique à courant. Par exemple, dans le domaine de l'intelligence artificielle, l'utilisation de réseaux de mémoires résistives appelés « crossbars » permet d'implémenter une opération MaC (Multiply and Accumulate) de manière analogique, en une seule opération et sans nécessité d'accès mémoire (les valeurs de résistance des éléments mémoire représentant les poids habituellement stockés en mémoire). 

On constate ainsi que la non-volatilité associée à la vitesse de ces mémoires émergentes estompe la frontière entre mémoire et logique. Parmi ces mémoires non volatiles émergentes, on peut citer la FeRAM, la MRAM, les atomristors… chacune ayant des spécificités différentes.


Nouvelle architecture mémoire 3D pour le calcul en mémoire (IMC)

Ces dernières années, d'importants efforts ont été consacrés aux architectures de calcul proches ou intégrées à la mémoire. Motivés par l'émergence de mémoires non volatiles avancées, des paradigmes de calcul inspirés du cerveau, tels que le calcul neuromorphique et hyper-dimensionnel, proposent des systèmes économes en énergie pour les tâches d'apprentissage automatique (machine learning). Ainsi, des architectures 3D 1T1R ou 1T1C peuvent être proposées avec une connexion appropriée des lignes de source/mot/bit pour implémenter l'IMC à grande échelle. Plus généralement, des architectures basées sur les technologies de memristors permettant l'implémentation d'accélérateurs matériels économes en énergie pour les applications de machine learning peuvent être explorées.


Architectures innovantes et schémas de calcul : 

Au niveau de l'architecture, la tendance est de s'affranchir de l'architecture classique, dite de Von-Neumann, dans laquelle le calcul et la mémoire sont séparés. Les limites proviennent de la vitesse de communication entre la mémoire et la logique, souvent appelée le « mur de la mémoire » (memory wall). La tendance est donc de rapprocher le calcul de la mémoire (Near Memory Computing, NMC) ou même d'effectuer le calcul dans la mémoire par un adressage intelligent des données (In Memory Computing, IMC).


Au niveau des schémas de calcul, de nouveaux paradigmes apparaissent, tels que le calcul approximatif (certaines applications ne permettent pas ou ne requièrent pas un résultat exact, et l'acceptation d'un résultat approximatif permet de réduire fortement la complexité matérielle) ou le calcul stochastique (les données sont alors codées par des probabilités plutôt que par des valeurs exactes, ce qui permet là encore une réduction importante de la complexité matérielle). On peut citer par exemple les réseaux bayésiens où la stochasticité permet de donner un résultat associé à une probabilité et de quantifier l'incertitude, ou les machines d'Ising (où un réseau de bits probabilistes, pbits, permet de résoudre très facilement des tâches de classification par minimisation d'énergie).


Parmi les technologies non volatiles émergentes, certaines possèdent des propriétés qui dépassent la simple utilisation mémoire. Les jonctions tunnel magnétiques, par exemple, ont un comportement intrinsèquement stochastique, qui peut être minimisé ou maximisé selon l'application. Cette stochasticité étant maîtrisée, il est possible d'utiliser ces dispositifs comme générateurs de nombres aléatoires véritables (TRNG) pour des applications de calcul stochastique. Ces dispositifs peuvent également être utilisés comme oscillateurs qui, en communiquant entre eux, peuvent effectuer des tâches logiques telles que le « reservoir computing » pour l'apprentissage non supervisé.

Publié le 17 novembre 2026

Mis à jour le 17 novembre 2026