CIFRE - Génération automatique de modèles SPICE avec des techniques basées sur l'intelligence artificielle

Description de l'offre

Chez STMicroelectronics, nous sommes convaincus que la technologie est un moteur d'innovation et a un impact positif pour les entreprises, les personnes et la société.
En tant qu'acteur mondial des semiconducteurs, nos technologies de pointe et nos composants électroniques sont invisibles mais au cœur du monde d'aujourd'hui.
Rejoindre ST, c'est intégrer une entreprise internationale riche de plus de 115 nationalités, présente dans 40 pays, et rassemblant plus de 50 000 talents passionnés et engagés, tous unis par la volonté de créer et d'inventer la technologie de demain.
Innover demande bien plus que des compétences techniques : cela nécessite des personnes inspirantes, qui savent collaborer avec respect et enthousiasme. Des collaborateurs animés par la passion, prêts à remettre en question le statu quo, à faire avancer l'innovation et à révéler leur plein potentiel.
Venez vivre cette aventure avec nous et contribuez à construire un futur plus intelligent et plus durable, en alliant responsabilité et innovation.

Notre technologie commence avec vous.

Contexte

Dans le cadre du développement de nouvelles technologies et de la montée en complexité des circuits intégrés, la disponibilité de modèles compacts précis et fiables pour la simulation SPICE de composants élémentaires est un enjeu clé pour la conception de circuits et leur validation.

Lorsque le modèle compact d'un dispositif n'existe pas, la génération manuelle de modèles physiques est coûteuse, longue et nécessite une expertise très pointue en physique des dispositifs et modélisation numérique.

L'objectif de cette thèse est d'explorer et de mettre au point une approche fondée sur l'Intelligence Artificielle permettant de générer automatiquement des modèles de dispositifs pour la simulation SPICE, en s'appuyant sur des mesures expérimentales et/ou des simulations, tout en garantissant les points suivants :

·  Fidélité du modèle vis-à-vis des données de référence
·  Interprétabilité des équations produites
·  Efficacité en données (peu de mesures nécessaires)
·  Compatibilité avec les simulateurs SPICE industriels

Sujet de thèse & Objectifs

Le/la doctorant(e) aura pour objectif de concevoir une chaîne complète et reproductible de génération de modèles de dispositifs pour la simulation SPICE à partir de données brutes, en explorant différentes approches avancées d'Intelligence Artificielle. Les axes de travail incluront notamment :

·  Extraction de caractéristiques & prétraitement des données
·  Extraction de caractéristiques robustes à partir de mesures électriques brutes.
·  Détection et traitement des valeurs atypiques, normalisation, segmentation des régimes de fonctionnement.
·  Identification des grandeurs-clés nécessaires à la description du comportement des dispositifs.
·  Apprentissage de modèles de dispositifs de type « physics-aware » / « Large Physical Models »
·  Conception de modèles de Machine Learning / Deep Learning capables de représenter le comportement de dispositifs électroniques à partir de données (mesures ou simulations).
·  Développement de « Large Physical Models » , intégrant autant que possible des contraintes et connaissances physiques (monotonies, symétries, bornes, lois d'échelle, régimes de fonctionnement, dépendances température / process, etc.).
·  Utilisation de ces modèles IA comme représentations numériques du dispositif , pouvant servir de référence ou de substituts vis-à-vis de modèles existants.
·  Génération de modèles de dispositifs sous forme d'équations
·  Exploration de plusieurs approches pour dériver des modèles de dispositifs sous forme d'équations ou de systèmes d'équations à partir des modèles IA :
·  méthodes d'analyse et d'approximation pour extraire des relations mathématiques ou physiques,
·  régression symbolique pour proposer des équations interprétables,
·  méthodes hybrides combinant des blocs neuronaux structurés et des blocs analytiques,
·  génération assistée de structures de modèles et de code de description de dispositifs (par exemple en langage Verilog-A ou équivalents).
·  Mise en place de contraintes et de tests pour garantir que les modèles obtenus soient :
·  cohérents avec la physique du dispositif,
·  interprétables par les experts en modélisation,
·  compatibles avec une intégration dans les flux de simulation SPICE.
·  Intégration dans les flux de simulation SPICE et validation
·  Intégration des modèles de dispositifs obtenus dans des simulateurs SPICE (Eldo, Spectre, Ngspice, etc.) via des formats appropriés.
·  Validation des modèles au moyen de comparaisons :
·  données expérimentales ou de référence,
·  modèles existants,
·  cas tests au niveau dispositif et circuit.
·  Analyse de la robustesse numérique, des régimes de validité, et de la capacité des modèles à capturer les effets importants pour la conception.
·  Extension aux blocs de circuit élémentaires
·  Application de l'approche d'abord à des dispositifs élémentaires (transistors, diodes, etc.), puis à de petits blocs de circuit :
·  inverseur,
·  cellules logiques (standard cells) simples,
·  paire différentielle,
·  amplificateur, etc.
·  Étude de la capacité des modèles de dispositifs issus de l'IA à supporter des simulations de circuits réels et à restituer les phénomènes pertinents.

Aspects innovants

·  Développement de « Large Physical Models » basés sur des techniques d'IA pour représenter le comportement de dispositifs électroniques à partir de données, en intégrant explicitement des contraintes et des connaissances « physics-aware » .
·  Exploration d'un large éventail de techniques IA (modèles neuronaux, modèles hybrides, régression symbolique, méthodes d'extraction de lois, génération assistée de modèles/code, etc.) pour produire des modèles de dispositifs.
·  Construction d'un pipeline automatisé transformant des données de mesure ou de simulation en modèles de dispositifs utilisables dans les environnements SPICE .

Profil recherché

Formation

·  Diplôme d'ingénieur ou Master 2 en :
·  informatique , mathématiques appliquées , intelligence artificielle , data science ,
·  ou disciplines proches avec forte dominante Machine Learning / Deep Learning .

Une formation ou des cours en microélectronique , physique des semi-conducteurs ou modélisation de dispositifs constitue un plus apprécié , mais n'est pas indispensable si la motivation pour monter en compétence sur ces aspects est forte.

Compétences techniques souhaitées

Compétences principales – Machine Learning / IA :

·  Excellente maîtrise de Python et des bibliothèques data/ML :
·  NumPy, SciPy, pandas, scikit-learn.
·  Pratique solide d'au moins un framework Deep Learning :
·  PyTorch ou TensorFlow (conception, entraînement, évaluation de modèles).
·  Connaissances en :
·  apprentissage supervisé / non supervisé,
·  réseaux neuronaux profonds (MLP, CNN, autoencodeurs, etc.),
·  optimisation (SGD, Adam, régularisation, validation croisée, etc.).
·  Intérêt marqué pour la modélisation de systèmes physiques par IA (physics-aware / physics-informed ML, surrogate modeling).

Compétences complémentaires – Microélectronique & modélisation (atouts) :

·  Notions en :
·  physique des dispositifs électroniques (MOSFET, diodes, BJTs, etc.),
·  circuits analogiques / mixtes.
·  Connaissance de base des simulateurs SPICE (Eldo, Spectre, Ngspice ou équivalents) ou volonté claire de se former sur ces outils.
·  Un plus :
·  expérience avec des modèles de dispositifs (BSIM ou autres),
·  modélisation en langage Verilog-A / VHDL-AMS,
·  utilisation d'outils de TCAD.

Bonus / appréciés :

·  Intérêt ou première expérience avec :
·  techniques de régression symbolique (PySR, Operon, AI Feynman, etc.),
·  méthodes de génération ou d'assistance à la génération de code scientifique / technique,
·  méthodes de modélisation ou d'approximation de systèmes non linéaires complexes.
·  Expérience préalable de projet de recherche (stage long, mémoire de Master 2, publication scientifique).

ENGLISH VERSION

PhD subject: Automatic Generation of SPICE Models Using Artificial Intelligence Techniques

Context

In 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.

When a compact model for a given device does not exist, manual development of physical models is costly, time‑consuming, and requires deep expertise in device physics and numerical modeling.

The goal of this PhD is to explore and develop an Artificial Intelligence–based approach to automatically generate device models for SPICE simulation, using experimental measurements and/or simulations, while ensuring:

·  High consistency of the model with respect to reference data
·  Interpretability of the resulting equations
·  Data efficiency (limited number of measurements required)
·  Compatibility with industrial SPICE simulators

PhD Topic & Objectives

The 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:

·  Feature extraction & data preprocessing
·  Extract robust features from raw electrical measurements.
·  Detect and handle outliers, perform normalization, and segment operating regions.
·  Identify key quantities required to describe device behavior.
·  Learning physics‑aware device models / Large Physical Models
·  Design Machine Learning / Deep Learning models capable of representing the behavior of electronic devices from data (measurements or simulations).
·  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.).
·  Use these AI models as numerical representations of the device , which can serve as reference or surrogate models with respect to existing models.
·  Generation of device models in the form of equations
·  Explore various approaches to derive device models in the form of equations or systems of equations from AI models, including:
·  analysis and approximation techniques to extract mathematical or physical relationships,
·  symbolic regression to propose interpretable equations,
·  hybrid methods combining structured neural blocks and analytical blocks,
·  assisted generation of model structures and device description code (e.g. in Verilog-A language or equivalents).
·  Define constraints and tests to ensure that the resulting models are:
·  consistent with device physics,
·  interpretable by modeling experts,
·  compatible with integration in SPICE simulation flows.
·  Integration into SPICE simulation flows and validation
·  Integrate the obtained device models into SPICE simulators (Eldo, Spectre, Ngspice, etc.) using appropriate formats.
·  Validate the models through comparisons with:
·  experimental or reference data,
·  existing models,
·  test cases at device and circuit level.
·  Analyze numerical robustness, validity ranges, and the ability of the models to capture effects that are critical for circuit design.
·  Extension to elementary circuit blocks
·  First apply the approach to elementary devices (transistors, diodes, etc.), then to small circuit blocks such as:
·  inverter,
·  simple standard cells,
·  differential pair,
·  amplifier, etc.
·  Study the ability of AI‑derived device models to support realistic circuit simulations and reproduce relevant phenomena.

Innovative Aspects

·  Development of Large Physical Models based on AI techniques to represent the behavior of electronic devices from data, explicitly integrating physics‑aware constraints and knowledge.
·  Exploration of a broad spectrum of AI techniques (neural models, hybrid models, symbolic regression, law‑extraction methods, assisted model/code generation, etc.) to produce device models in the form of mathematical or physical equations.
·  Construction of an automated pipeline that transforms measurement or simulation data into device models usable in SPICE environments .

Candidate Profile

Education

·  Engineering degree or Master's degree in:
·  Computer Science , Applied Mathematics , Artificial Intelligence , Data Science ,
·  or related fields with a strong Machine Learning / Deep Learning component.

Coursework 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.

Desired Technical Skills

Core skills – Machine Learning / AI:

·  Strong proficiency in Python and data/ML libraries:
·  NumPy, SciPy, pandas, scikit-learn.
·  Solid practical experience with at least one Deep Learning framework:
·  PyTorch or TensorFlow (model design, training, evaluation).
·  Knowledge of:
·  supervised / unsupervised learning,
·  deep neural networks (MLP, CNN, autoencoders, etc.),
·  optimization (SGD, Adam, regularization, cross‑validation, etc.).
·  Strong interest in AI-based modeling of physical systems (physics‑aware / physics‑informed ML, surrogate modeling).

Complementary skills – Microelectronics & modeling (nice to have):

·  Basic knowledge of:
·  electronic device physics (MOSFET, diodes, BJTs, etc.),
·  analog / mixed‑signal circuits.
·  Basic familiarity with SPICE simulators (Eldo, Spectre, Ngspice, etc.) or a clear willingness to learn these tools.
·  Additional plus:
·  experience with device models (BSIM or others),
·  modeling using Verilog-A / VHDL‑AMS languages,
·  using TCAD tools.

Bonus / appreciated:

·  Interest or initial experience with:
·  symbolic regression techniques (PySR, Operon, AI Feynman, etc.),
·  methods for generation or assisted generation of scientific / technical code,
·  modeling or approximation of complex nonlinear systems.
·  Prior research experience (long internship, Master's thesis, scientific publication).
ST est fière d'être certifiée parmi les 17 entreprises mondiales « Global Top Employers 2025 » et d'être la première et unique entreprise de semi-conducteurs à recevoir cette distinction. ST a été distinguée dans ce classement grâce à sa démarche d'amélioration continue, se démarquant notamment par son engagement en matière d'éthique et d'intégrité, de sens et de valeurs, d'organisation et de gestion du changement, ainsi que par sa stratégie commerciale et ses performances. En France, ST a également obtenu la labélisation Happy Trainee 2025.
Nous cultivons un environnement de travail inclusif et diversifié, où la discrimination n'a pas sa place. Notre ambition est de recruter et de fidéliser des talents reflétant la richesse des sociétés dans lesquelles nous évoluons.
Nous nous engageons à l'équité dans le développement des carrières, les opportunités professionnelles et la rémunération.
Chez ST, nous encourageons les candidats qui ne remplissent pas forcément tous les critères à postuler, car nous croyons en la richesse des parcours variés et offrons de réelles opportunités d'apprentissage et d'évolution. La diversité, l'équité et l'inclusion sont des valeurs fondamentales qui façonnent notre culture d'entreprise.
Pour découvrir toutes nos opportunités, rendez-vous sur st.com/careers.