Métrologie des techniques de microscopie à sonde locale micro- onde appliquées aux mesures de transport dans le domaine des semiconducteurs

Doctorant :  Damien RICHERT

Laboratoire INSA : INL

École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

Cette thèse se focalise sur l’établissement d’une métrologie des mesures de propriétés électrique à l’échelle submicrométrique. Le Scanning Microwave Microscopy (SMM), qui permet d’accéder aux propriétés électriques d’un échantillon (impédance, permittivité électrique, tangente d’angle de perte et concentration de dopant), répond à ces critères. Il s’agit d’un microscope à force atomique interfacé à un analyseur de réseaux vectoriel (VNA). Si la métrologie de la mesure électrique utilisant un VNA est bien établie, ce n’est pas le cas pour les configurations SMM. Un VNA permet, s’il est calibré, d’extraire des propriétés électriques à partir de la mesure du paramètre de réflexion. Pour une configuration SMM, la méthode la plus commune est dérivée de la calibration Short- Open-Load utilisant trois impédances connues sur un échantillon de référence. L’un des résultats clé de cette thèse est l’établissement du bilan d’incertitude associé à la mesure d’impédance par SMM. Pour ce faire, une caractérisation de l’échantillon de référence démontra que l’incertitude associée aux valeurs des impédances présentes (0.3; 9.8 fF) est inférieure à 2.8 %. Fort de ce bilan d’incertitude, un second échantillon de référence fut proposé et caractérisé avec une incertitude associée inférieure à 1.9 %. L’incertitude sur la mesure des capacités de référence par le SMM calibré est inférieure à 3 %. Un cas d’application est l’extraction de la permittivité d’échantillons piézoélectriques avec une incertitude inférieure à 10.6 %. L’incertitude due à l’humidité relative (RH) sur la calibration du SMM fut étudiée empiriquement et par simulation numérique. Le RH impacte la calibration à hauteur de 0.4 % pour les capacités de 0.3 fF et devient négligeable pour les capacités au-dessus de 4 fF. Enfin, des courbes dC/dz furent acquise par microscopie à force électrostatique (EFM) sur un diélectrique connu afin d’assurer la traçabilité de la mesure de constante de raideur de la sonde employé.

Eco-friendly nanoimprinting of TiO2 nanostructures for photonic biosensor application

Doctorante : Huiru REN

Laboratoire INSA : INL
École doctorale : EDA160 : EEA (Électronique, Électrotechnique, Automatique)

Cette thèse vise principalement à développer un procédé à faible impact environnemental pour la fabrication de dispositifs photoniques visant une application d'analyse biomoléculaire à usage unique. Le matériau et le procédé doivent donc offrir de bonnes propriétés optiques pour la biodétection : indice de réfraction élevé, bonne transparence, bonne reproductibilité à l'échelle nanométrique. La stratégie de cette thèse est basée sur la mise au point de dispositifs à des cristaux photoniques dans une couche d'oxyde de titane, fabriqués par une technologie "verte" à fort potentiel : la nanoimpression de sol- gel. Deux voies différentes sont étudiées, la nanoimpression thermique et un processus de soft-NIL.

 

 

Proposition et mise en œuvre d'une topologie d'onduleur multifonctionnel à tension de bus régulée pour la traction électrique

Doctorant : Antoine SABRIE

Laboratoire INSA : Ampère

École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

Dans le cadre de la traction électrique pour les véhicules routiers, il est indispensable de recourir à des onduleurs dont le rôle est de convertir l’énergie électrique entre une source de stockage continue de type batterie et la charge alternative que représente une machine électrique triphasée. Idéalement, cette conversion devrait se faire sans perte de tension. En pratique, il apparaît inévitablement une limitation de la tension avec laquelle un onduleur est capable d’alimenter une machine électrique. Pour bienanalyser cette limitation, nous avons proposé une modélisation fine des chutes de tension de l’onduleur afin de permettre une estimation analytique rapide et fidèle. Les résultats expérimentaux valident le modèle proposé dans la quasi-totalité de points de fonctionnement atteignable. Une solution utilisée industriellement pour palier à cette limitation de l’onduleur est d’ajouter un convertisseur DC - DC élévateur. L’inconvénient de cette solution est qu’elle introduit un deuxième étage pouvant impacter le rendement global et la fiabilité de la chaîne de traction. Ces dernières années, des architectures d’onduleur élévateur en un étage de conversion sont proposées dans la littérature. L’une de ces architectures est apparue et présente des avantages compétitifs par rapport à ses homologues. Il s’agit de l’onduleur à Split Source (SSI). Néanmoins, nous avons montré que ce convertisseur est incompatible à la traction électrique due principalement au manque de réversibilité et à une perte de degré de liberté pour le pilotage de la charge. Par la suite, nous avons proposé une nouvelle architecture triphasée et réversible basée sur le convertisseur SSI, appelée B-ASSI, qui est compatible à l’application visée. L’analyse et la modélisation du convertisseur B-ASSI sont réalisées. Une modulation pour son pilotage, ainsi qu’une stratégie de contrôle de sa tension de bus sont développées. Enfin, le B-ASSI est construit et testé expérimentalement par une preuve de concept de quelques 𝑘𝑘𝑘𝑘. Après avoir étudié les performances du B-ASSI vis-à-vis des architectures existantes, nous nous intéressons à la possibilité d’introduire une fonctionnalité d’abaissement de la tension d’alimentation du B-ASSI. Nous montrons que cela permet d’améliorer les formes d’ondes alimentant la machine, réduire les oscillations de couple utile, améliorer le rendement de la machine, et réduire la montée en températuredu convertisseur. Finalement, une extension du B-ASSI permettant l’abaissement de sa tension de bus est proposée et étudiée. Une première validation en simulation et expérimentale valident le principe de fonctionnement.

 

Méthode de détection et de diagnostic des attaques de blocage dans les systèmes manufacturiers flexibles incertains

Doctorant : Amaury BEAUDET

Laboratoire INSA : Ampère

École doctorale : ED160 : EEA

Les systèmes manufacturiers flexibles (FMSs en anglais) sont conçus avec l’objectif de pouvoir réaliser différentes recettes en parallèle en utilisant conjointement des ressources flexibles et un superviseur allouant ces ressources aux différentes recettes en cours. Par conception, un FMS évolue dans un environnement critique, en présence d’états d’allocation des ressources bloquants pour la réalisation des recettes, et incertain, en raison d’évènements imprévus conduisant à l’indisponibilités temporaire des ressources. Au sein des FMSs modernes, l’utilisation pour l’allocation des ressources de composants de contrôle hautement interconnectés entre eux et avec des réseaux internet ouverts a rendu ces systèmes vulnérables aux cyber-attaques. Aux origines de ces cyber- attaques, différents profils d’attaquant peuvent être distingués selon leurs objectifs, leurs origines, leurs compétences et leurs moyens.
Ainsi, bien qu’un FMS soit initialement construit pour faire face aux états de blocage et aux indisponibilités de ressources, un profil d’attaquant expert pourrait être capable de manipuler les décisions d’allocation et les disponibilités des ressources pour conduire ce FMS dans un état de blocage ciblé. A partir de cette observation, la problématique de recherche suivante émerge : Au sein du contexte incertain des FMSs, comment diagnostiquer correctement l’origine, naturelle ou malveillante, d’un état de blocage détecté et identifier le profil d’attaquant à l’origine de l’attaque ?
En réponse à cette problématique, nous proposons trois contributions principales. Premièrement, les attaques de blocage et les profils d’attaquant sont définis et modélisés dans un contexte certain afin de structurer le développement d’un module de diagnostic de ces derniers. Puis, ce module est étendu au contexte incertain des FMS au sein duquel l’indisponibilité des ressources est prise en compte et peut être manipulée par un attaquant. Enfin, ce module de diagnostic est implémenté sur une plateforme manufacturière expérimentale afin d’être évalué.

Di-electric liquid cooling for future 20 kV power modules

Doctorant : Lucas MOLINA BARROS

Laboratoire INSA : Ampère
École doctorale : ED160 : Électronique, Électrotechnique et Automatique

Cette thèse apporte une contribution à la résolution des problèmes d’encapsulation des semi-conducteurs haute tension. Cette innovation offre la possibilité de réduire considérablement la taille et la complexité des modules ´electroniques de puissance. Les structures d’encapsulation conventionnelles ont depuis longtemps été confrontées au compromis entre l’isolation électrique, qui exige des couches isolantes épaisses, et la performance thermique optimale, qui privilégie des couches minces à haute conductivité thermique. Ce travail présente un concept novateur visant à résoudre ce dilemme en utilisant un refroidissement direct par un liquide diélectrique et des dissipateurs thermiques en céramique. Avec une épaisseur d’AlN de 3 mm, le nouveau boîtier peut supporter encore des tensions plus élevées, jusqu’à 62 kV. Le refroidisseur atteint une résistivité thermique de 0.155 cm²K/W avec le Novec7500, et cette valeur est encore réduite à 0.114 cm²K/W avec de l’eau. Ces résultats permettent le refroidissement de dispositifs présentant des pertes de puissance allant jusqu’à 500W/cm².

Deep brain unsupervised anomaly detection model based on multimodality imaging

Doctorante : Daria ZOTOVA

Laboratoire INSA : CREATIS

Ecole doctorale : ED160 EEA

L'épilepsie touche environ 65 millions de personnes dans le monde, nécessitant pour certains une intervention chirurgicale dépendante de la localisation précise de la zone épileptogène. Cette thèse vise à améliorer la détection des lésions épileptogènes via un système de diagnostic assisté par ordinateur (CAD), en utilisant des données neuroimagerie multimodales. Elle propose l'utilisation de réseaux siamois non supervisés avec des modèles SVM à classe unique pour identifier les anomalies dans les scans cérébraux, initialement testés sur des IRM T1 et FLAIR.
Une contribution majeure est le développement de méthodes pour générer des images PET synthétiques à partir de scans IRM T1, améliorant les capacités de détection du système CAD et abordant le défi des modalités manquantes en utilisant ces images synthétiques comme remplacement des données PET réelles. Cette approche permet une intégration multimodale efficace pour la détection de zones épileptogènes.
La première partie de la thèse examine les avancées dans l'apprentissage profond pour l'imagerie médicale et les stratégies d'intégration des données. La seconde partie détaille les expériences sur la synthèse PET et l'amélioration de la performance du modèle CAD avec l'intégration des données PET synthétiques. Ce travail avance le domaine de l'imagerie médicale dans la recherche sur l'épilepsie et propose des pistes pour améliorer la détection des lésions et les résultats chirurgicaux.

Apprentissage profond de variétés pour une meilleure caractérisation de l'hypertension artérielle en imagerie échocardiographique

Doctorant : Nathan PAINCHAUD

Laboratoire INSA : CREATIS
École doctorale : ED160 : EEA (Electronique, Electrotechnique, Automatique)

L'hypertension artérielle est une maladie cardiovasculaire répandue, affectant plus de 1,2 milliard de personnes dans le monde. Son diagnostic est difficile en raison de la variété des symptômes et du manque d'outils d'analyse rapides et précis. Cette thèse propose une méthode d'apprentissage automatique pour analyser les données médicales, particulièrement les images échocardiographiques, et extraire des informations pertinentes pour le diagnostic de l'hypertension. Les méthodes proposées combinent des modèles d'apprentissage automatique avec des techniques d'apprentissage de représentation pour garantir la cohérence des prédictions et améliorer leur interprétabilité. Des descripteurs de forme et de déformation sont extraits des images segmentées et combinés avec des données des dossiers médicaux électroniques. Un transformeur multimodal est utilisé pour apprendre une représentation commune de ces données, capable de mettre en évidence le continuum pathologique de l'hypertension. L'application de la méthode à une population de patients a permis de détecter des profils subtils de formes et de déformations corrélés avec l'hypertension. Ces résultats ouvrent la voie à de nouvelles études sur les mécanismes pathologiques de l'hypertension et à l'amélioration du diagnostic de la maladie.

Unsupervised anomaly detection in neuroimaging: contributions to representation learning and density support estimation in the latent space. »

Doctorant : Nicolas PINON

Laboratoire INSA : CREATIS
Ecole doctorale : ED 160 : EEA (Electronique, Electrotechnique, Automatique)

This PhD thesis covers the topic of deep unsupervised anomaly detection (UAD) in neuroimaging. This research is partially grounded on the UAD model that was proposed in [Alaverdyan, MEDIA 2020], whose novelty was to perform the detection step in the latent representation space by adjusting density support model of the normative distribution. This model developed was applied to the detection of subtle epileptogenic zones in multiparametric MRI and evaluated on a private database. As a first part of this PhD, we optimize the architecture and hyperparameter setting of this UAD model, and evaluate its performance on different open datasets, including the non medical MVTec anomaly detection [Pinon, GRETSI 2023], the WMH challenge [Pinon, MIDL 2023], and the Parkinson's Progression Markers Initiative database [Ramirez, Pinon, MLCN 2021][Pinon, ISBI 2023]. This allows comparison with state of the art deep UAD methods, especially with the most common methods based on reconstruction error in the image space. The second main phase of this PhD work is to build on the limits of this model [Alaverdyan, MEDIA 2020] and propose original methodological contributions to 1) design patient specific models, relaxing the strong constraint to accurately coregister all control subjects and patients [Pinon, MIDL 2023], 2) provide a probabilistic detection framework to enable ensemble learning and probability calibration, 3) fuse the representation learning step and the outlier detection step, by proposing a novel end-to- end deep learning model.

Unidirectional High-Ratio DC-DC Converter for Renewable Energy Sources

Doctorant : Pierre LE METAYER

Laboratoire INSA : AMPERE

Ecole doctorale : ED160 EEA

Les travaux réalisés au cours de cette thèse se concentrent sur le thème du convertisseur DC-DC pour les applications d’énergies renouvelables connectées à un réseau moyenne tension DC. La palette de sujets abordées s’étend de la définition des exigences auxquelles un tel convertisseur doit répondre jusqu’aux propositions d’implémentations matérielles le permettant, en passant par la sélection de la topologie la plus adaptée ainsi que par l’adaptation de son contrôle. Les différents points étudiés sont accompagnés de validations expérimentales utilisant différentes maquettes. Un prototype complet de convertisseur DC-DC 1.2 kV - 6.6 kV 83 kW est notamment construit et opéré à pleine puissance et tension.

 

Algorithmes d'apprentissage pour le cyclisme urbain : modèles implicites et infrastructure dynamique

Doctorant : Lucas MAGNANA

Laboratoire INSA : CITI

Ecole doctorale : ED512 : InfoMaths

Le développement de nouvelles technologies ainsi qu'une prise de conscience des dangers du dérèglement climatique ont permis entre autres une augmentation du nombre de cyclistes dans les villes au cours des 20 dernières années. Cela s'est naturellement accompagné de nouveaux moyens de récupérer des données comportementales de cyclistes, diversifiant et multipliant les jeux de données existants. L'objectif de cette thèse est d'utiliser certaines données comportementales de cyclistes ainsi que des algorithmes récents d'intelligence artificielle pour créer des outils innovants d'aide aux politiques urbaines d'incitation au cyclisme. Dans un premier temps, un état de l'art des différentes sources de données de comportements de cyclistes est dressé. Cet état de l'art permet, entre autres, de se rendre compte des difficultés d'utilisation accompagnant chaque source. Celui-ci est aussi l'occasion de justifier les sources de données utilisées ensuite. Dans un second temps, une méthode de création de modèles de choix d'itinéraire implicites est développée à partir de traces GPS. Les modèles créés avec cette méthode permettent de générer un itinéraire cyclable à partir d'une origine et d'une destination. Le développement d'un modèle commence par l'identification des segments de route préférés par les cyclistes ayant généré les traces GPS. Un réseau de neurones artificiels choisi ensuite un groupe de segments de route préférés pertinents à partir d'une origine et d'une destination. Une pondération de graphe routier est ensuite effectuée à l'aide des segments de route sélectionnés pour générer un itinéraire cyclable. Enfin, un feu de signalisation intelligent permettant de sécuriser le passage des cyclistes à l'intersection qu'il régule est développé. L'utilisation de l'intelligence artificielle permet de séparer les flux de vélos et de véhicules motorisés en limitant l'impact sur le trafic à l'intersection. Les simulations dans lesquelles ce feu est testé ont un volume de véhicules réaliste grâce à l'utilisation de données de compteurs.