Capteurs micro-électromécaniques avec apprentissage machine intégré

Description :
Doctorant : Guillaume Dion

Directeur de recherche : Julien Sylvestre
Président de jury : Céderick Landry

Résumé : 

Leur miniaturisation et leur faible coût favorisant un usage pervasif, les capteurs micro-électromécaniques (MEMS) génèrent une grande quantité de données brutes. Dans les architectures classiques, ces données sont transmises vers des processeurs électroniques externes pour y être traitées, ce qui entraîne des contraintes de consommation énergétique, de débit de transmission et de compacité, en particulier pour les objets connectés et les systèmes portables. Cette thèse explore une approche alternative consistant à intégrer des fonctions de traitement à même le capteur, dans le domaine mécanique. En exploitant les non-linéarités de microstructures oscillantes et une méthode d’apprentissage machine adaptée aux systèmes physiques, le reservoir computing, des accéléromètres et des microphones intégrant à la fois la détection et le traitement de l’information ont été conçus, microfabriqués et caractérisés. En réduisant la quantité de données à transmettre, ces dispositifs permettent d’améliorer l’efficacité énergétique et le niveau d’intégration. Une démonstration en analyse biomécanique embarquée illustre le potentiel de cette approche pour le développement de capteurs intelligents destinés à l'informatique ubiquitaire.