CIFRE - Génération automatique de modèles SPICE avec des techniques basées sur lintelligence artific

Chez STMicroelectronics, nous sommes convaincus que la technologie est un moteur d\u2019innovation et a un impact positif pour les entreprises, les personnes et la soci\u00e9t\u00e9. \n\nEn tant qu\u2019acteur mondial des semiconducteurs, nos technologies de pointe et nos composants \u00e9lectroniques sont invisibles mais au c\u0153ur du monde d\u2019aujourd\u2019hui. \n\nRejoindre ST, c\u2019est int\u00e9grer une entreprise internationale riche de plus de 115 nationalit\u00e9s, pr\u00e9sente dans 40 pays, et rassemblant plus de 50 000 talents passionn\u00e9s et engag\u00e9s, tous unis par la volont\u00e9 de cr\u00e9er et d\u2019inventer la technologie de demain. \n\nInnover demande bien plus que des comp\u00e9tences techniques : cela n\u00e9cessite des personnes inspirantes, qui savent collaborer avec respect et enthousiasme. Des collaborateurs anim\u00e9s par la passion, pr\u00eats \u00e0 remettre en question le statu quo, \u00e0 faire avancer l\u2019innovation et \u00e0 r\u00e9v\u00e9ler leur plein potentiel. \n\nVenez vivre cette aventure avec nous et contribuez \u00e0 construire un futur plus intelligent et plus durable, en alliant responsabilit\u00e9 et innovation. \n\n \n\n\nNotre technologie commence avec vous. \n\nContexte\n\nDans le cadre du d\u00e9veloppement de nouvelles technologies et de la mont\u00e9e en complexit\u00e9 des circuits int\u00e9gr\u00e9s, la disponibilit\u00e9 de mod\u00e8les compacts pr\u00e9cis et fiables pour la simulation SPICE de composants \u00e9l\u00e9mentaires est un enjeu cl\u00e9 pour la conception de circuits et leur validation.\n\nLorsque le mod\u00e8le compact d\u2019un dispositif n\u2019existe pas, la g\u00e9n\u00e9ration manuelle de mod\u00e8les physiques est co\u00fbteuse, longue et n\u00e9cessite une expertise tr\u00e8s pointue en physique des dispositifs et mod\u00e9lisation num\u00e9rique.\n\nL\u2019objectif de cette th\u00e8se est d\u2019explorer et de mettre au point une approche fond\u00e9e sur l\u2019Intelligence Artificielle permettant de g\u00e9n\u00e9rer automatiquement des mod\u00e8les de dispositifs pour la simulation SPICE, en s\u2019appuyant sur des mesures exp\u00e9rimentales et/ou des simulations, tout en garantissant les points suivants :\n\n * Fid\u00e9lit\u00e9 du mod\u00e8le vis-\u00e0-vis des donn\u00e9es de r\u00e9f\u00e9rence\n * Interpr\u00e9tabilit\u00e9 des \u00e9quations produites\n * Efficacit\u00e9 en donn\u00e9es (peu de mesures n\u00e9cessaires)\n * Compatibilit\u00e9 avec les simulateurs SPICE industriels\n\n\n\nSujet de th\u00e8se \u0026 Objectifs\n\nLe/la doctorant(e) aura pour objectif de concevoir une cha\u00eene compl\u00e8te et reproductible de g\u00e9n\u00e9ration de mod\u00e8les de dispositifs pour la simulation SPICE \u00e0 partir de donn\u00e9es brutes, en explorant diff\u00e9rentes approches avanc\u00e9es d\u2019Intelligence Artificielle. Les axes de travail incluront notamment :\n\n 1. Extraction de caract\u00e9ristiques \u0026 pr\u00e9traitement des donn\u00e9es\n * Extraction de caract\u00e9ristiques robustes \u00e0 partir de mesures \u00e9lectriques brutes.\n * D\u00e9tection et traitement des valeurs atypiques, normalisation, segmentation des r\u00e9gimes de fonctionnement.\n * Identification des grandeurs-cl\u00e9s n\u00e9cessaires \u00e0 la description du comportement des dispositifs.\n 2. Apprentissage de mod\u00e8les de dispositifs de type \u00ab physics-aware \u00bb / \u00ab Large Physical Models \u00bb\n * Conception de mod\u00e8les de Machine Learning / Deep Learning capables de repr\u00e9senter le comportement de dispositifs \u00e9lectroniques \u00e0 partir de donn\u00e9es (mesures ou simulations).\n * D\u00e9veloppement de \u00ab Large Physical Models \u00bb, int\u00e9grant autant que possible des contraintes et connaissances physiques (monotonies, sym\u00e9tries, bornes, lois d\u2019\u00e9chelle, r\u00e9gimes de fonctionnement, d\u00e9pendances temp\u00e9rature / process, etc.).\n * Utilisation de ces mod\u00e8les IA comme repr\u00e9sentations num\u00e9riques du dispositif, pouvant servir de r\u00e9f\u00e9rence ou de substituts vis-\u00e0-vis de mod\u00e8les existants.\n 3. G\u00e9n\u00e9ration de mod\u00e8les de dispositifs sous forme d\u2019\u00e9quations\n * Exploration de plusieurs approches pour d\u00e9river des mod\u00e8les de dispositifs sous forme d\u2019\u00e9quations ou de syst\u00e8mes d\u2019\u00e9quations \u00e0 partir des mod\u00e8les IA : \n * m\u00e9thodes d\u2019analyse et d\u2019approximation pour extraire des relations math\u00e9matiques ou physiques,\n * r\u00e9gression symbolique pour proposer des \u00e9quations interpr\u00e9tables,\n * m\u00e9thodes hybrides combinant des blocs neuronaux structur\u00e9s et des blocs analytiques,\n * g\u00e9n\u00e9ration assist\u00e9e de structures de mod\u00e8les et de code de description de dispositifs (par exemple en langage Verilog-A ou \u00e9quivalents).\n * Mise en place de contraintes et de tests pour garantir que les mod\u00e8les obtenus soient : \n * coh\u00e9rents avec la physique du dispositif,\n * interpr\u00e9tables par les experts en mod\u00e9lisation,\n * compatibles avec une int\u00e9gration dans les flux de simulation SPICE.\n 4. Int\u00e9gration dans les flux de simulation SPICE et validation\n * Int\u00e9gration des mod\u00e8les de dispositifs obtenus dans des simulateurs SPICE (Eldo, Spectre, Ngspice, etc.) via des formats appropri\u00e9s.\n * Validation des mod\u00e8les au moyen de comparaisons : \n * donn\u00e9es exp\u00e9rimentales ou de r\u00e9f\u00e9rence,\n * mod\u00e8les existants,\n * cas tests au niveau dispositif et circuit.\n * Analyse de la robustesse num\u00e9rique, des r\u00e9gimes de validit\u00e9, et de la capacit\u00e9 des mod\u00e8les \u00e0 capturer les effets importants pour la conception.\n 5. Extension aux blocs de circuit \u00e9l\u00e9mentaires\n * Application de l\u2019approche d\u2019abord \u00e0 des dispositifs \u00e9l\u00e9mentaires (transistors, diodes, etc.), puis \u00e0 de petits blocs de circuit : \n * inverseur,\n * cellules logiques (standard cells) simples,\n * paire diff\u00e9rentielle,\n * amplificateur, etc.\n * \u00c9tude de la capacit\u00e9 des mod\u00e8les de dispositifs issus de l\u2019IA \u00e0 supporter des simulations de circuits r\u00e9els et \u00e0 restituer les ph\u00e9nom\u00e8nes pertinents.\n\n\n\nAspects innovants\n\n * D\u00e9veloppement de \u00ab Large Physical Models \u00bb bas\u00e9s sur des techniques d\u2019IA pour repr\u00e9senter le comportement de dispositifs \u00e9lectroniques \u00e0 partir de donn\u00e9es, en int\u00e9grant explicitement des contraintes et des connaissances \u00ab physics-aware \u00bb.\n * Exploration d\u2019un large \u00e9ventail de techniques IA (mod\u00e8les neuronaux, mod\u00e8les hybrides, r\u00e9gression symbolique, m\u00e9thodes d\u2019extraction de lois, g\u00e9n\u00e9ration assist\u00e9e de mod\u00e8les/code, etc.) pour produire des mod\u00e8les de dispositifs.\n * Construction d\u2019un pipeline automatis\u00e9 transformant des donn\u00e9es de mesure ou de simulation en mod\u00e8les de dispositifs utilisables dans les environnements SPICE.\n\n\n\n \n\nProfil recherch\u00e9\n\nFormation\n\n * Dipl\u00f4me d\u2019ing\u00e9nieur ou Master 2 en : \n * informatique, math\u00e9matiques appliqu\u00e9es, intelligence artificielle, data science,\n * ou disciplines proches avec forte dominante Machine Learning / Deep Learning.\n\n\n\nUne formation ou des cours en micro\u00e9lectronique, physique des semi-conducteurs ou mod\u00e9lisation de dispositifs constitue un plus appr\u00e9ci\u00e9, mais n\u2019est pas indispensable si la motivation pour monter en comp\u00e9tence sur ces aspects est forte.\n\nComp\u00e9tences techniques souhait\u00e9es\n\nComp\u00e9tences principales \u2013 Machine Learning / IA :\n\n * Excellente ma\u00eetrise de Python et des biblioth\u00e8ques data/ML : \n * NumPy, SciPy, pandas, scikit-learn.\n * Pratique solide d\u2019au moins un framework Deep Learning : \n * PyTorch ou TensorFlow (conception, entra\u00eenement, \u00e9valuation de mod\u00e8les).\n * Connaissances en : \n * apprentissage supervis\u00e9 / non supervis\u00e9,\n * r\u00e9seaux neuronaux profonds (MLP, CNN, autoencodeurs, etc.),\n * optimisation (SGD, Adam, r\u00e9gularisation, validation crois\u00e9e, etc.).\n * Int\u00e9r\u00eat marqu\u00e9 pour la mod\u00e9lisation de syst\u00e8mes physiques par IA (physics-aware / physics-informed ML, surrogate modeling).\n\n\n\nComp\u00e9tences compl\u00e9mentaires \u2013 Micro\u00e9lectronique \u0026 mod\u00e9lisation (atouts) :\n\n * Notions en : \n * physique des dispositifs \u00e9lectroniques (MOSFET, diodes, BJTs, etc.),\n * circuits analogiques / mixtes.\n * Connaissance de base des simulateurs SPICE (Eldo, Spectre, Ngspice ou \u00e9quivalents) ou volont\u00e9 claire de se former sur ces outils.\n * Un plus : \n * exp\u00e9rience avec des mod\u00e8les de dispositifs (BSIM ou autres),\n * mod\u00e9lisation en langage Verilog-A / VHDL-AMS,\n * utilisation d\u2019outils de TCAD.\n\n\n\nBonus / appr\u00e9ci\u00e9s :\n\n * Int\u00e9r\u00eat ou premi\u00e8re exp\u00e9rience avec : \n * techniques de r\u00e9gression symbolique (PySR, Operon, AI Feynman, etc.),\n * m\u00e9thodes de g\u00e9n\u00e9ration ou d\u2019assistance \u00e0 la g\u00e9n\u00e9ration de code scientifique / technique,\n * m\u00e9thodes de mod\u00e9lisation ou d\u2019approximation de syst\u00e8mes non lin\u00e9aires complexes.\n * Exp\u00e9rience pr\u00e9alable de projet de recherche (stage long, m\u00e9moire de Master 2, publication scientifique).\n\n\n\n \n\nENGLISH VERSION\n\nPhD subject: Automatic Generation of SPICE Models Using Artificial Intelligence Techniques\n\nContext\n\nIn the context of new technology development and the increasing complexity of integrated circuits, the availability of accurate and reliable compact models for SPICE simulation is a key enabler for circuit design and validation.\n\nWhen a compact model for a given device does not exist, manual development of physical models is costly, time\u2011consuming, and requires deep expertise in device physics and numerical modeling.\n\nThe goal of this PhD is to explore and develop an Artificial Intelligence\u2013based approach to automatically generate device models for SPICE simulation, using experimental measurements and/or simulations, while ensuring:\n\n * High consistency of the model with respect to reference data\n * Interpretability of the resulting equations\n * Data efficiency (limited number of measurements required)\n * Compatibility with industrial SPICE simulators\n\n\n\nPhD Topic \u0026 Objectives\n\nThe PhD candidate will aim to design a complete and reproducible pipeline for generating device models for SPICE simulation from raw data, exploring various advanced Artificial Intelligence approaches. The main work directions include:\n\n 1. Feature extraction \u0026 data preprocessing\n * Extract robust features from raw electrical measurements.\n * Detect and handle outliers, perform normalization, and segment operating regions.\n * Identify key quantities required to describe device behavior.\n 2. Learning physics\u2011aware device models / Large Physical Models\n * Design Machine Learning / Deep Learning models capable of representing the behavior of electronic devices from data (measurements or simulations).\n * Develop Large Physical Models, integrating as much as possible physical constraints and prior knowledge (monotonicity, symmetries, bounds, scaling laws, operating regions, temperature / process dependencies, etc.).\n * Use these AI models as numerical representations of the device, which can serve as reference or surrogate models with respect to existing models.\n 3. Generation of device models in the form of equations\n * Explore various approaches to derive device models in the form of equations or systems of equations from AI models, including: \n * analysis and approximation techniques to extract mathematical or physical relationships,\n * symbolic regression to propose interpretable equations,\n * hybrid methods combining structured neural blocks and analytical blocks,\n * assisted generation of model structures and device description code (e.g. in Verilog-A language or equivalents).\n * Define constraints and tests to ensure that the resulting models are: \n * consistent with device physics,\n * interpretable by modeling experts,\n * compatible with integration in SPICE simulation flows.\n 4. Integration into SPICE simulation flows and validation\n * Integrate the obtained device models into SPICE simulators (Eldo, Spectre, Ngspice, etc.) using appropriate formats.\n * Validate the models through comparisons with: \n * experimental or reference data,\n * existing models,\n * test cases at device and circuit level.\n * Analyze numerical robustness, validity ranges, and the ability of the models to capture effects that are critical for circuit design.\n 5. Extension to elementary circuit blocks\n * First apply the approach to elementary devices (transistors, diodes, etc.), then to small circuit blocks such as: \n * inverter,\n * simple standard cells,\n * differential pair,\n * amplifier, etc.\n * Study the ability of AI\u2011derived device models to support realistic circuit simulations and reproduce relevant phenomena.\n\n\n\nInnovative Aspects\n\n * Development of Large Physical Models based on AI techniques to represent the behavior of electronic devices from data, explicitly integrating physics\u2011aware constraints and knowledge.\n * Exploration of a broad spectrum of AI techniques (neural models, hybrid models, symbolic regression, law\u2011extraction methods, assisted model/code generation, etc.) to produce device models in the form of mathematical or physical equations.\n * Construction of an automated pipeline that transforms measurement or simulation data into device models usable in SPICE environments.\n\n\n\n \n\nCandidate Profile\n\nEducation\n\n * Engineering degree or Master\u2019s degree in: \n * Computer Science, Applied Mathematics, Artificial Intelligence, Data Science,\n * or related fields with a strong Machine Learning / Deep Learning component.\n\n\n\nCoursework or background in microelectronics, semiconductor device physics or device modeling is a valued plus, but not mandatory, provided the candidate is strongly motivated to build skills in these areas.\n\nDesired Technical Skills\n\nCore skills \u2013 Machine Learning / AI:\n\n * Strong proficiency in Python and data/ML libraries: \n * NumPy, SciPy, pandas, scikit-learn.\n * Solid practical experience with at least one Deep Learning framework: \n * PyTorch or TensorFlow (model design, training, evaluation).\n * Knowledge of: \n * supervised / unsupervised learning,\n * deep neural networks (MLP, CNN, autoencoders, etc.),\n * optimization (SGD, Adam, regularization, cross\u2011validation, etc.).\n * Strong interest in AI-based modeling of physical systems (physics\u2011aware / physics\u2011informed ML, surrogate modeling).\n\n\n\nComplementary skills \u2013 Microelectronics \u0026 modeling (nice to have):\n\n * Basic knowledge of: \n * electronic device physics (MOSFET, diodes, BJTs, etc.),\n * analog / mixed\u2011signal circuits.\n * Basic familiarity with SPICE simulators (Eldo, Spectre, Ngspice, etc.) or a clear willingness to learn these tools.\n * Additional plus: \n * experience with device models (BSIM or others),\n * modeling using Verilog-A / VHDL\u2011AMS languages,\n * using TCAD tools.\n\n\n\nBonus / appreciated:\n\n * Interest or initial experience with: \n * symbolic regression techniques (PySR, Operon, AI Feynman, etc.),\n * methods for generation or assisted generation of scientific / technical code,\n * modeling or approximation of complex nonlinear systems.\n * Prior research experience (long internship, Master\u2019s thesis, scientific publication).\n\n\n\nST est fi\u00e8re d\u2019\u00eatre certifi\u00e9e parmi les 17 entreprises mondiales \u00ab Global Top Employers 2025 \u00bb et d\u2019\u00eatre la premi\u00e8re et unique entreprise de semi-conducteurs \u00e0 recevoir cette distinction. ST a \u00e9t\u00e9 distingu\u00e9e dans ce classement gr\u00e2ce \u00e0 sa d\u00e9marche d\u2019am\u00e9lioration continue, se d\u00e9marquant notamment par son engagement en mati\u00e8re d\u2019\u00e9thique et d\u2019int\u00e9grit\u00e9, de sens et de valeurs, d\u2019organisation et de gestion du changement, ainsi que par sa strat\u00e9gie commerciale et ses performances. En France, ST a \u00e9galement obtenu la lab\u00e9lisation Happy Trainee 2025. \n\nNous cultivons un environnement de travail inclusif et diversifi\u00e9, o\u00f9 la discrimination n\u2019a pas sa place. Notre ambition est de recruter et de fid\u00e9liser des talents refl\u00e9tant la richesse des soci\u00e9t\u00e9s dans lesquelles nous \u00e9voluons. \n\nNous nous engageons \u00e0 l\u2019\u00e9quit\u00e9 dans le d\u00e9veloppement des carri\u00e8res, les opportunit\u00e9s professionnelles et la r\u00e9mun\u00e9ration. \n\nChez ST, nous encourageons les candidats qui ne remplissent pas forc\u00e9ment tous les crit\u00e8res \u00e0 postuler, car nous croyons en la richesse des parcours vari\u00e9s et offrons de r\u00e9elles opportunit\u00e9s d\u2019apprentissage et d\u2019\u00e9volution. La diversit\u00e9, l\u2019\u00e9quit\u00e9 et l\u2019inclusion sont des valeurs fondamentales qui fa\u00e7onnent notre culture d\u2019entreprise. \n\nPour d\u00e9couvrir toutes nos opportunit\u00e9s, rendez-vous sur st.com/careers. \n