Caractérisation chimique 3D de dispositifs ePCM par tomographie STEM-EDX et intelligence artificielle // 3D chemical analysis of downscaled ePCM devices for sub-18 nm technology nodes using STEM-EDX tomography and machine learning tools

Cette thèse s'inscrit dans le contexte du progrès récent de la technologie des mémoires à changement de phase dans les applications embarquées (ePCM). La miniaturisation des ePCM pour des nœuds inférieurs à 18nm pose de nombreux défis non seulement dans la fabrication, mais aussi dans la caractérisation physico-chimique de ces dispositifs. L'objectif du projet est d'étudier les phénomènes de ségrégation chimique et de cristallisation en 3D dans les nouveaux alliages PCM intégrés dans des dispositifs ePCM planaires et verticaux, en utilisant la tomographie électronique en mode STEM-EDX (et 4D-STEM). Compte tenu de l'extrême miniaturisation et de la géométrie complexe des dispositifs, l'accent sera mis sur l'optimisation des conditions expérimentales et sur l'application de techniques de machine learning et d'apprentissage profond pour améliorer la qualité et la fiabilité des résultats 3D obtenus. Une corrélation avec le comportement électrique du dispositif sera effectuée pour mieux comprendre les phénomènes à l'origine des défaillances après endurance et après perte de données à haute température.
Un TEM NeoARM Cold-FEG corrigé par sonde (60kV-200kV) sera utilisé pour l'acquisition des données tomographiques. Il est équipé de deux détecteurs SSD à grand angle solide (JEOL Centurio), d'un filtre en énergie CEOS (CEFID) et d'une caméra à détection directe (Timepix3). Le candidat aura également accès aux codes Python développés en interne ainsi qu'aux ressources informatiques nécessaires pour effectuer l'analyse des données spectrales et tomographiques.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The context of this PhD is the recent progress of Phase-Change Memory technology in the embedded applications (ePCM). The ultimate scaling of ePCM for sub-18nm nodes poses many challenges not only in fabrication, but also in the physico-chemical characterization of these devices. The aim of the project is to study the 3D chemical segregation/crystallization phenomena in new PCM alloys integrated into planar and vertical ePCM scaled devices, using electron tomography in STEM-EDX (and 4D-STEM) mode. Given the extreme downscaling and the complex geometry of the devices, the focus will be on optimizing experimental conditions and applying machine learning and deep learning techniques to improve the quality and reliability of the obtained 3D results. A correlation with the device electrical behavior will be carried out to better understand the phenomena behind failures after endurance and after data loss at high temperatures.
A probe-corrected Cold-FEG NeoARM TEM (60kV-200kV) will be used for the tomographic data acquisition. It is equipped with two large solid angle SSD detectors (JEOL Centurio), a CEOS Energy-Filtering and Imaging Device (CEFID) and a Timepix3 direct electron camera. The candidate will also have access to in-house Python codes as well as to the computing resources needed to carry out the spectral and tomographic data analysis.


------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département des Plateformes Technologiques (LETI)
Service : Service de Métrologie et de Caractérisation Physique
Laboratoire : Laboratoire Microscopie Mesures et Défectivité
Date de début souhaitée : 01-09-2025
Ecole doctorale : Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Directeur de thèse : NAVARRO Gabriele
Organisme : CEA
Laboratoire : DRT/DCOS/S3C/LDMC
URL : https://scholar.google.com/citations?hl=en&user=FM5sFZ4AAAAJ&view_op=list_works&sortby=pubdate
URL : https://www.sciencedirect.com/science/article/pii/S0304399121000772?via%3Dihub

Public/private mixed funding

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département des Plateformes Technologiques (LETI)
Service : Service de Métrologie et de Caractérisation Physique

Master degree in Physics/Materials Science with a strong background in image analysis and/or electron microscopy