Lors de la conception de nouvelles technologies électroniques, il est essentiel de pouvoir prédire les résultats des expériences pour optimiser la technologie et concevoir les systèmes qui l'utilisent. À cette fin, un modèle mathématique de la technologie est nécessaire. Les dispositifs électroniques sont généralement modélisés par des équations différentielles ordinaires, qui peuvent être trouvées en analysant et en comprenant la physique sous-jacente de la technologie. Cependant, ce processus peut s'avérer difficile et, surtout avec les dispositifs complexes issus de la nanotechnologie, il est loin d'être toujours couronné de succès. Dans ce travail, nous avons utilisé une nouvelle technique d'intelligence artificielle, les équations différentielles ordinaires neuronales, pour créer automatiquement des modèles de dispositifs nanoélectroniques. Sur la base d'un nombre limité de mesures, cette technique est capable de trouver une équation différentielle ordinaire capable de modéliser le dispositif dans toutes les situations, sans avoir besoin de connaissances physiques. Par exemple, nous avons utilisé cette technique pour modéliser un nanoneurone spintronique, dont les comportements très complexes résistent à la modélisation. L'équation différentielle ordinaire qui en a résulté a pu prédire correctement des semaines de mesures expérimentales en quelques minutes de simulation seulement. Ce travail, qui peut être généralisé à de multiples systèmes physiques, offre une nouvelle façon de modéliser et de développer de nouvelles technologies en bénéficiant des progrès récents des techniques d'apprentissage automatique.
Ce travail a impliqué de multiples expertises, il résulte d'une collaboration entre des chercheurs du Centre de Nanosciences et de Nanotechnologies, de l'Unité Mixte de Physique CNRS/Thales, de l'Institut Albert Fert de Pékin à l'Université Beihang, et de l'Université catholique de Louvain.
References
Forecasting the outcome of spintronic experiments with Neural Ordinary Differential Equations
Xing Chen1,2, Flavio Abreu Araujo3,4, Mathieu Riou4, Jacob Torrejon4, Dafiné Ravelosona2, Wang Kang1, Weisheng Zhao1, Julie Grollier4 & Damien Querlioz2
Nature Communications volume 13, Article number: 1016 (2022)
DOI https://doi.org/10.1038/s41467-022-28571-7
Affiliations
1Fert Beijing Institute, MIIT Key Laboratory of Spintronics, School of Integrated Circuit Science and Engineering, Beihang University, 100191, Beijing, China
2Université Paris-Saclay, CNRS, Centre de Nanosciences et de Nanotechnologies, Palaiseau, France
3Institute of Condensed Matter and Nanosciences, Université catholique de Louvain, Place Croix du Sud 1, Louvain-la-Neuve, 1348, Belgium
4Unité Mixte de Physique, CNRS, Thales, Université Paris-Saclay, Palaiseau, France
Figure :
Une équation différentielle ordinaire neuronale (a) est un type spécifique d'intelligence artificielle qui peut apprendre à modéliser des systèmes physiques. Par exemple, nous avons entraîné une équation différentielle ordinaire neuronale à modéliser un nanoneurone artificiel (b). Cette équation formée peut ensuite prédire des expériences sur le nanoneurone avec une grande précision (c).
