Soutenance mémoire
Mémoires résistives à base d’oxyde et méthodes d’observation operando
Le contexte global et les besoins de capacités de stockage
L’informatique, et plus globalement l’électronique, prend de plus en plus de place dans notre quotidien, au travers notamment de la démocratisation des objets quotidiens connectés. La période de confinement ayant eu lieu ce printemps 2020 en France, en réponse à la pandémie de COVID-19, a particulièrement mis en lumière l’importance de la connectivité dans notre vie privée autant que professionnelle . Dans un article du magazine LTE paru en 2016, Meryem Lamkimel prévoit 50 milliards d’objets connectés simultanément courant 2020 [2], et ce nombre est susceptible de croitre de façon exponentielle avec l’apparition du réseau 5G dans les mois à venir. (et jusqu’à 200 milliards lorsque la 5G sera fonctionnelle et disponible au plus grand nombre [3]).
Cette forte présence du numérique dans tous les domaines et à travers le monde, implique une très grosse croissance des demandes de stockage des données. Parallèlement, à la connectivité croissance exacerbée par cette période de confinement, les objets connectés innovants basés sur les nouvelles technologies sont également en forte croissance, et sont motivés par les notions de mobilité et de personnalisation. Parmi ces objets connectés innovants, nous pouvons citer pour exemple, les lunettes connectées de réalité augmentée, les montres connectées géolocalisées capables de faire des électrocardiogrammes, les drones autonomes, les appareils électroménagers intelligents et connectés, et aussi, les écouteurs sans fil autonomes et connectés. Ces objets sont conçus pour être compacts, légers, économes en énergie, et capables de stocker et gérer un grand nombre de données.
De plus, la génération et l’analyse de grandes bases de données à travers le monde tendent à s’accélérer. Cette croissance amène également de nouveaux types de besoins, comme par exemple, la nécessité d’accélérer la vitesse d’écriture et la vitesse de lecture des mémoires, tout en gardant un stockage non volatile. Les dispositifs de stockage de données, constituant très majoritaire des centres de données, sont appelés mémoires indépendantes (ou stand-alone en anglais).
Le projet d’étude « Digital Universe » entrepris par IDC montre que le total de données créées et copiée annuellement en 2013 atteignait 4,4 zettabytes (soit 4,4×10²¹ bytes), et cette valeur est prévue d’augmentée jusqu’à 44 zettabytes en 2020 .
Dans le marché international du Big Data (Grande banque de Données Massives), les principaux acteurs sont de grandes entreprises multinationales comme Amazon Web Service, Google Inc, ou International Business Machines Corporation [7]. Ce marché en forte croissance représentait 9 milliards de dollars américains en 2015 et devrait, d’après cette étude [7], continuer d’augmenter au rythme de 20% jusqu’en 2022 [8].
Le domaine des mémoires embarquées est également un domaine en forte croissance. Ce second type de dispositif de stockage ce distingue des mémoires indépendantes par le fait qu’elles sont directement intégrées aux puces de calculs. Les mémoires embarquées constituent ainsi la mémoire cache des processeurs, au plus près des circuits logiques de ceux-ci pour accomplir des tâches définies, et par exemple, stocker des résultats intermédiaires de calculs en cours.
Les technologies mémoires
Les mémoires embarquées actuelles
Les DRAM (de l’anglais Dynamic RAM) sont des mémoires volatiles dont chaque bit est simplement constitué d’un transistor et d’un condensateur, permettant une densité d’intégration très élevée. Cette technologie mémoire possède des vitesses de fonctionnement très élevées et présentent une bonne endurance, ce qui la rend incontournables sur le marché des mémoires volatiles .
Les dispositifs mémoires se divisent en deux catégories, les mémoires volatiles, et les mémoires non-volatiles (NVM). Ces deux types de mémoire sont basés sur la technologie CMOS (de l’anglais Complementary Metal-Oxide-Semiconductor). Les mémoires résistives étant constituées d’une couche active d’oxyde se regroupent sous l’appellation d’OxRRAM, de l’anglais « Oxide based Resistive RAM » pour mémoire vive résistive à base d’oxyde.
Les DRAM et les SRAM (pour Static RAM) sont les deux types de mémoires RAM qui perdent les informations une fois la tension éteinte, c’est-à-dire volatile. Ces deux technologies mémoires sont, par exemple, utilisées dans la conception de barrettes de mémoire vive pour les ordinateurs.
À contrario, la seconde catégorie de mémoire, non-volatile, peut stocker des données informatiques sur une longue période de temps et ceci sans alimentation électrique. Cette période pendant laquelle l’information est stockée, sans être altérée, est appelée temps ou durée de rétention, et varie pour chaque technologie mémoire . les différentes technologies NVM peuvent être représentées dans plusieurs sous-groupes, chacun définissant le phénomène physique permettant de détecter l’état électrique de l’élément mémoire. Dans l’ouvrage [14], le professeur Rainer Waser propose une représentation permettant de classer les mémoires résistives en fonction du phénomène duquel elles tirent leurs effet mémoire.
|
Table des matières
Introduction générale
I. Mémoires résistives à base d’oxyde et méthodes d’observation operando
I.A. Le contexte global et les besoins de capacités de stockage
I.B. Les technologies mémoires
I.B.1. Les mémoires embarquées actuelles
I.B.2. Les mémoires émergentes
I.C. Mémoires résistives à base d’oxyde (OxRRAM)
I.C.1. Intérêts pour les OxRRAM
I.C.2. Mémoires volatiles pour applications neuromorphiques
I.C.3. Pistes étudiées pour la compréhension du rôle des ions d’oxygène dans la commutation électrique des OxRRAM
I.C.3.a. Caractérisations physico-chimiques
I.C.3.b. Observations STEM-EELS de commutations réalisées ex-situ
I.C.3.c. Observation de commutations électrique en TEM operando
I.C.4. Traitements de données hyperspectrales STEM-EELS par algorithme de démélange
I.C.4.a. Critères de comparaisons des algorithmes de démélange et de leur performance
I.C.4.b. Applications de ces algorithmes de démélange aux spectres de perte d’énergie électronique (EELS)
I.D. Orientation du travail de thèse
II. Techniques de caractérisation conventionnelles adaptées aux mémoires résistives
II.A. Microscopie Électronique en Transmission
II.A.1. Introduction
II.A.2. Principe
II.A.3. Les modes d’observation possibles
II.A.3.a. Mode TEM : imagerie conventionnelle
II.A.3.a.i. Mode image
II.A.3.a.ii. Mode diffraction par sélection d’aire
II.A.3.a.iii. Champ clair et champ sombre
II.A.3.b. Mode STEM
II.A.3.b.i. Champ clair et champ sombre
II.A.4. Instruments et conditions d’analyses utilisées
II.A.5. Contraste et résolution spatiale
II.A.6. Interactions entre le faisceau et l’échantillon
II.A.6.a. Ionisation des niveaux électroniques par le faisceau incident
II.A.6.b. Désexcitation des atomes
II.A.7. Spectroscopie EDX
II.A.7.a. Instrument de mesure : les détecteurs
II.A.7.b. Le spectre EDX
II.A.8. Spectroscopie EELS
II.A.8.a. Instrument de mesure : Spectromètre
II.A.8.b. Le spectre EELS
II.A.8.b.i. Les pertes faibles d’énergie
II.A.8.b.ii. Pertes d’énergie de cœur
II.A.8.b.iii. Structure Fine
II.A.8.b.iv. Format des données récoltées
II.A.8.c. Protocole expérimental
II.B. Traitements et analyse de spectres images
II.B.1. Analyse conventionnelle GMS3
II.B.1.a. Principe
II.B.2. Estimation de l’épaisseur via le libre parcours moyen
II.B.3. Analyse manuelle structure fine
II.C. Préparation d’échantillon par Sonde Ionique Focalisée
II.C.1. Principe de fonctionnement
II.C.1.a. Généralités
II.C.1.b. Propriétés du faisceau d’ions
II.C.1.c. Imagerie Electronique
II.C.1.d. Dépôts de matière
II.C.1.d.i. Dépôts sous faisceau d’ions
II.C.1.d.ii. Dépôts sous faisceau d’électrons
II.C.1.d.iii. Nature des dépôts utilisés
II.C.2. Préparation d’une lame TEM conventionnelle
II.D. Conclusion
III. Développement des techniques expérimentales pour le TEM en operando électrique
III.A. Porte-objet dédiés à la commutation électrique en operando dans le TEM
III.A.1. Porte-objet à pointe dédié à la commutation électrique en operando
III.A.1.a. Présentation du porte-objet de Nanofactory
III.A.1.b. Présentation du porte-objet de Hummingbird
III.A.1.c. Difficultés induites et artefacts
III.A.1.c.i. Mouvements grossiers de la pointe
III.A.1.c.ii. Contraintes mécaniques et thermiques
III.A.1.c.iii. Effets de pointe
III.A.1.d. Adaptation des techniques de préparation d’échantillon à l’utilisation de porte-objet à pointe pour la caractérisation operando
III.A.1.d.i. Préparation d’échantillon avec électrode localisée
III.A.1.d.ii. Préparation d’échantillon avec électrode localisée et contact conducteur déporté
III.A.1.d.iii. Préparation d’échantillon pleine plaque
III.A.1.e. Protocole d’approche de la pointe utilisé lors de commutations en operando
III.A.2. Porte-objet à puce dédié à la commutation électrique en operando
III.A.2.a. Présentation
III.A.2.b. Adaptation des techniques de préparation d’échantillon à l’utilisation de porte-objet à puce pour la caractérisation operando
III.A.2.b.i. Préparation en Z
III.A.2.b.ii. Autre piste de préparation d’échantillon avec époxy conductrice
III.A.2.b.iii. Technique de préparation supplémentaire
III.A.2.c. Difficultés induites et artefacts
III.A.3. Bilan
III.B. Algorithme de démélange hyperspectral basé sur VCA
III.B.1. Traitements conventionnels des données EELS et problématiques associées
III.B.1.a. Dépendance à l’utilisateur
III.B.1.b. Manque de reproductibilité et de fiabilité des cartographies
III.B.1.c. Absence d’information sur l’environnement direct des ions analysés
III.B.2. Algorithmes de démélange hyperspectral
III.B.3. Étapes dans le fonctionnement de l’algorithme développé et utilisé
III.B.3.a. Réécriture des données dans un espace minimisant la variance
III.B.3.b. Optimisation des références et démélanges
III.B.3.c. Calcul des cartographies d’abondances des composantes spectrales
III.B.3.d. Intégration et adaptation de l’algorithme VCA au traitement de données dédié à la commutation TEM en operando
III.B.3.d.i. Préparation des datacubes en amont du démélange par VCA
III.B.3.d.ii. Adaptation du traitement de données aux datacubes acquis en operando
III.B.4. Bilan
III.C. Conclusion
IV. Étude de la commutation électrique en TEM operando d’une mémoire de SrTiO3
Conclusion générale
