Skip to main content 首页 创作者 johnnuwan eva_core emerging-technologies
emerging-technologies Compétence de recherche en technologies émergentes en informatique (cs.ET). Couvre l'ordinateur neuromorphique, le calcul quantique (NISQ, correction d'erreur, gates, algorithmes variés), le biocomputing et ADN computing, le calcul optique et photonique, les memristors et circuits neuromorphiques, les approches au-delà de von Neumann (in-memory computing, near-data processing), les technologies cryogéniques pour le calcul, la microfluidique computationnelle, les matériaux 2D pour l'électronique, ReRAM/PCM/STT-MRAM, la spintronique, l'ordinateur à réservoir, les systèmes auto-organisants et le matériel biologique. Inclus la veille sur IRDS roadmap, DARPA programmes et NIST.
跳到安装 Skills Marketplace 发现并探索由社区构建的 Agent Skills
用 Codex 或 Claude 帮你安装 复制这段 Prompt,粘贴到 Codex、Claude 或其他助手里,让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt;运行前请先检查来源。
npx skills add https://github.com/JohnNuwan/EVA_CORE --skill emerging-technologies命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地?可下载 SkillsMP 当前能够提供的文件。
下载 Zip 下载中... name emerging-technologies description Compétence de recherche en technologies émergentes en informatique (cs.ET). Couvre l'ordinateur neuromorphique, le calcul quantique (NISQ, correction d'erreur, gates, algorithmes variés), le biocomputing et ADN computing, le calcul optique et photonique, les memristors et circuits neuromorphiques, les approches au-delà de von Neumann (in-memory computing, near-data processing), les technologies cryogéniques pour le calcul, la microfluidique computationnelle, les matériaux 2D pour l'électronique, ReRAM/PCM/STT-MRAM, la spintronique, l'ordinateur à réservoir, les systèmes auto-organisants et le matériel biologique. Inclus la veille sur IRDS roadmap, DARPA programmes et NIST. category research
Compétence en Recherche en Technologies Émergentes (cs.ET)
Présentation
La catégorie cs.ET (Emerging Technologies) sur arXiv couvre les technologies informatiques
émergentes qui repoussent les limites des architectures conventionnelles de von Neumann.
Elle rassemble environ 100 à 200 nouvelles soumissions par mois, avec des intersections
fortes avec quant-ph (calcul quantique), physics.app-ph (physique appliquée), cond-mat.mes-hall
(physique mésoscopique), et cs.AR (architecture matérielle).
Cette compétence fournit une structure complète pour naviguer dans le paysage des
technologies de rupture en informatique : des paradigmes de calcul entièrement nouveaux
aux innovations matérielles concrètes qui façonnent la prochaine génération de systèmes
informatiques.
Domaines de Recherche
1. Calcul Neuromorphique
1.1 Circuits Neuromorphiques et Memristors
Memristors : dispositifs à résistance variable (TiO₂, HfO₂, TaOₓ) ; plasticité
synaptique via modulation de conductance
Circuits neuromorphiques : puces qui imitent l'architecture neuronale biologique
(TrueNorth d'IBM, Loihi d'Intel, BrainScaleS, SpiNNaker)
Neuromorphic engineering : conception VLSI de neurones et synapses artificiels,
circuits à spikes (SNN — Spiking Neural Networks)
Poids analogiques : stockage de poids synaptiques en mémoire non volatile
Approches mixed-signal : circuits analogiques/numériques hybrides pour
l'accélération neuromorphique
CROSS : dispositifs crossbar arrays pour la multiplication matrice-vecteur in-situ
1.2 Réseaux de Neurones à Impulsions (SNN)
Codage temporel (temporal coding) : information encodée dans le timing des spikes
Plasticité STDP (Spike-Timing Dependent Plasticity) : apprentissage non supervisé
biologique
Conversion ANN→SNN : conversion de réseaux profonds conventionnels en SNN
Apprentissage sur SNN : surrogate gradients, backpropagation through time,
direct training
Architectures SNN profondes : Spiking ResNet, Spiking Transformer, SEW ResNet
Hardware SNN : puces neuromorphiques dédiées, accélérateurs événementiels
Applications : vision événementielle (event cameras), traitement audio à faible
consommation, contrôle robotique en temps réel, edge AI ultra-low-power
2. Calcul Quantique
2.1 Algorithmes Quantiques
Algorithme de Shor : factorisation en temps polynomial, logarithme discret
Algorithme de Grover : recherche non structurée en O(√N)
Algorithme de Deutsch-Jozsa, Bernstein-Vazirani, Simon : premiers algorithmes
démontrant la supériorité quantique
Algorithme de Grover adaptatif : variantes pour optimisation combinatoire
HHL (Harrow-Hassidim-Lloyd) : résolution de systèmes linéaires en temps logarithmique
QSVT (Quantum Singular Value Transformation) : cadre unifié pour une large
classe d'algorithmes quantiques
Quantum walks : marches aléatoires quantiques pour la recherche sur graphes
Amplitude amplification et estimation de phase quantique
Quantum signal processing : boîte à outils pour le traitement de signaux
quantiques
2.2 Calcul Quantique NISQ (Noisy Intermediate-Scale Quantum)
Circuits variationnels (VQE) : Variational Quantum Eigensolver pour la chimie
quantique
QAOA (Quantum Approximate Optimization Algorithm) : optimisation combinatoire
sur machines NISQ
Quantum Machine Learning variationnel : circuits paramétrés pour l'apprentissage
Atténuation d'erreur (error mitigation) : zero-noise extrapolation, probabilistic
error cancellation, Clifford data regression
Mesures tomographiques : tomography par paquets de circuits
Compilation adaptée NISQ : optimisation de profondeur, routage de qubits,
insertion de barrières
Échantillonnage de circuits aléatoires : démonstrations de suprématie quantique
(Google Sycamore, Zuchongzhi)
Plateformes NISQ : IBM Q (superconducting), Rigetti, IonQ (ion traps),
Quantinuum (trapped ions), Xanadu (photonique)
2.3 Correction d'Erreur Quantique (QEC)
Codes de stabilisation : codes CSS, [[n,k,d]] stabilizer codes
Code de Shor et code de Steane : premiers codes correcteurs
Surface codes et color codes : codes topologiques 2D
Code de Bacon-Shor : code de sous-système
Codes LDPC quantiques : codes de parité à faible densité pour haute performance
Protocoles de mesure et de correction : syndrome extraction, fault-tolerant
measurement
Portes tolérantes aux fautes (fault-tolerant gates) : transversalité,
magic state distillation
Architectures FTQC : ordinateurs quantiques tolérants aux fautes à grande échelle
Taux d'erreur physique → logique : seuils de correction, overhead en qubits
Décodage en temps réel : decoders (MWPM, Union-Find, neural decoders)
Démonstrations récentes : Google Quantum AI (Sycamore), Harvard/QuEra (atomes neutres)
2.4 Portes et Registres Quantiques
Portes à un qubit : X, Y, Z, Hadamard, phase (S, T), rotation (Rx, Ry, Rz)
Portes à deux qubits : CNOT, CZ, SWAP, iSWAP, CPHASE, Bell measurement
Portes à trois qubits : Toffoli (CCNOT), Fredkin (CSWAP)
Fidélité des portes : randomized benchmarking, gate set tomography
Cross-resonance gates : portes sur processeurs supraconducteurs
Molmer-Sørensen gates : portes sur ions piégés
Rydberg gates : portes sur atomes neutres
Native gates : jeu de portes natives d'une plateforme donnée
Compilation de circuits : optimisation de séquences de portes, transpilation
2.5 Paradigmes et Plateformes
Supraconducteurs : qubits transmon, fluxonium, Xmon — IBM, Google, Rigetti
Ions piégés : qubits hyperfins, portes laser — IonQ, Quantinuum, Honeywell
Atomes neutres : qubits Rydberg, réseaux d'atomes — QuEra, Pasqal
Photonique quantique : qubits de photons, portes linéaires — Xanadu, PsiQuantum
Points quantiques (spin qubits) : qubits dans des boîtes quantiques semi-conductrices
Qubits topologiques : anyons de Majorana, ordinateur topologique — Microsoft
Diamant NV-center : centres azote-lacune pour l'informatique quantique
Kerr-cat qubits : qubits à chat de Schrödinger pour la correction d'erreur
autonome
Calcul quantique adiabatique : annealing quantique — D-Wave
Calcul quantique mesure-based (MBQC) : cluster states, téléportation de portes
2.6 Quantum Machine Learning
Quantum neural networks (QNN) : circuits paramétrés pour l'apprentissage
Quantum kernel methods : noyaux quantiques pour SVM
Quantum generative models : QGAN, quantum Boltzmann machines
Quantum reinforcement learning : apprentissage par renforcement sur
processeurs quantiques
Quantum natural language processing (QNLP) : traitement du langage naturel
quantique
Quantum chemistry on quantum computers : simulation de Hamiltoniens moléculaires
Quantum optimization : QUBO, Ising machines, quantum annealing pour optimisation
Barren plateaus : problème des plateaux plats dans le QML variationnel
Expressivité et évolutivité : avantage quantique en ML
Quantum neural architecture search : recherche d'architectures neuronales
quantiques
3. Biocomputing et ADN Computing
3.1 ADN Computing (DNA Computing)
Principe d'Adleman : résolution du problème du chemin hamiltonien via ADN (1994)
Encodage de données dans l'ADN : stockage d'information via synthèse et
séquençage d'ADN
Algorithmes moléculaires : portes logiques ADN, circuits ADN, automates ADN
Strand displacement : déplacement de brins comme mécanisme de calcul
moléculaire
Réactions en chaîne : amplification, ligation, clivage pour le calcul
Membranes et lipides : compartiments pour réactions bio-informatiques
DNA origami : nanorobots et nanostructures ADN pour le calcul spatial
Hybridation compétitive : détection et résolution de problèmes combinatoires
Mémoire ADN : stockage à ultra-haute densité (exaoctets/gramme)
Random Access Memory ADN : adressage et accès aléatoire aux données ADN
ADN comme ordinateur universel : Turing-complétude du calcul ADN
Démonstrations : solveur SAT ADN, addition binaire ADN, oscillateurs ADN
3.2 Biocomputing et Matériel Biologique
Biologie synthétique computationnelle : circuits génétiques, réseaux de
régulation synthétiques
Cell computing : cellules bactériennes comme processeurs — E. coli reprogrammé
pour le calcul
Bio-détection et senseurs moléculaires : diagnostics computationnels in cellulo
Organoïdes et mini-cerveaux : calcul biologique par tissus neuronaux
Neurophéromones et signalisation cellulaire : communication inter-cellulaire
pour le calcul distribué
Slime mold computing (Physarum polycephalum) : calcul par réseaux de
plasmodium, résolution de problèmes de graphes et chemins optimaux
Bacterial computing : colonies bactériennes comme systèmes de calcul parallèle
Fungal networks : réseaux de champignons pour l'informatique distribuée
Protocell computing : protocellules artificielles pour le calcul
moléculaire
Biomolecular neural networks : réseaux de neurones biomoléculaires
Living materials : matériaux vivants programmables combinant calcul et croissance
3.3 Stockage et Mémoire Biologique
ADN comme support de stockage : densité théorique de 10¹⁸ octets/mm³
Codage correcteur pour ADN : codes détecteurs d'erreur pour la synthèse ADN
Encodage de fichiers numériques en ADN : compression, redondance, adressage
DNA Fountain : codage près de la capacité de Shannon pour l'ADN
Séquençage et lecture : Nanopore, Illumina pour le décodage rapide
Archives ADN : durabilité millénaire, coût décroissant
Intégration computation-stockage : calcul in-storage biologique
4. Calcul Optique et Photonique
4.1 Calcul Optique Analogique
Multiplication matrice-vecteur optique : réalisée via réseaux de diffraction,
interféromètres Mach-Zehnder
Transformée de Fourier optique : réalisée physiquement par une simple lentille
Corrélation optique : reconnaissance de motifs et filtrage spatial
Réseaux de neurones optiques : neurones et synapses photoniques
On-chip optical neural networks : circuits intégrés photoniques (PIC)
pour l'inférence
Photonic tensor cores : cœurs de multiplication tensorielle optiques
Optical reservoir computing : ordinateur à réservoir photonique
Diffractive Deep Neural Networks (D²NN) : couches diffractives pour
la classification optique
Optical computing pour l'IA : inférence ML ultra-rapide et économe
4.2 Plateformes Photoniques
Silicon photonics : circuits intégrés photoniques sur SOI (silicon-on-insulator)
Lithium niobate (LiNbO₃) : modulateurs électro-optiques rapides
III-V photonics : InP, GaAs pour sources lasers intégrées
Micro-résonateurs en anneau : filtres, modulateurs, commutateurs
Interféromètres Mach-Zehnder : portes optiques reconfigurables
Réseaux de diffraction : matrices de phase programmables (LCOS, MEMS)
Photonic integrated circuits (PIC) : intégration monolithique de composants
optiques
Hybrid integration : co-intégration électronique-photonique
4.3 Optical Interconnects et Communication
Interconnexions optiques pour datacenters : fibre optique pour
l'interconnexion haute vitesse
Optical switching : commutateurs optiques pour réseaux reconfigurables
Co-packaged optics : optique intégrée au package du processeur
Cohérence et détection : modulation cohérente, détection directe
Wavelength Division Multiplexing (WDM) : multiplexage en longueur d'onde
pour la bande passante
Silicon photonics pour HPC : liens optiques pour supercalculateurs
4.4 Nouveaux Paradigmes Photoniques
Ising machines optiques : solveurs d'optimisation combinatoire photoniques
Simulation quantique photonique : simulateurs quantiques basés sur l'optique
Computing with spatial light modulators (SLM) : calcul par modulation
spatiale de lumière
Frequency combs pour le calcul : calcul parallèle en fréquence
Nonlinear optical computing : calcul utilisant des effets optiques non linéaires
Optical memristors : memristors photoniques pour neuromorphique optique
Quantum optical computing : portes logiques quantiques optiques à photons uniques
5. Memristors et Circuits Neuromorphiques
5.1 Physique et Matériaux des Memristors
Mécanismes de commutation : filamentaire (CF), interfacial, uniforme
Oxydes de métaux de transition : HfO₂, TaOₓ, TiO₂, NiO, SrTiO₃
Matériaux 2D pour memristors : MoS₂, hBN, graphène
Electrochemical metallization (ECM) : cellules CBRAM à pont métallique
Valence change mechanism (VCM) : commutation par migration d'oxygène
Thermochemical mechanism (TCM) : commutation par effet Joule
Memristors polymères et organiques : films minces flexibles
Ferroelectric memristors : FeFET, FTJ à ferroélectrique
Analog switching : conductance multi-niveaux pour poids synaptiques
Endurance et rétention : cycles d'écriture, stabilité temporelle
5.2 Architectures et Circuits
Crossbar arrays : matrices de memristors pour multiplication matrice-vecteur
One-transistor-one-resistor (1T1R) : architecture avec transistor sélecteur
Passive crossbars : matrices sans sélecteur, problèmes de sneak-path
NAND-like et NOR-like arrays : organisations mémoire alternatives
Sense amplifiers pour memristors : lecture de conductance multi-niveaux
Drivers et séquenceurs : circuits de contrôle d'écriture et de lecture
Integration CMOS-memristor : co-intégration BEOL (back-end-of-line)
Memristive Processing-In-Memory (PIM) : exécution de calcul dans la mémoire
Multiply-Accumulate (MAC) in-situ : calcul MAC directement dans le crossbar
Memristive neural network accelerators : accélérateurs SNN et DNN à memristors
5.3 Applications Memristives
Accélérateurs d'inférence IA : calcul MAC massivement parallèle
SNN sur memristors : implémentation de STDP et réseaux à spikes
Logique memristive : portes logiques matérielles (IMP, MAGIC, stateful logic)
Memcomputing : calcul universel avec memristors
Brouillard et chaos memristif : génération de nombres aléatoires, cryptographie
Mémoire non volatile de masse : remplacement potentiel de Flash/NAND
Compute-in-memory : réduction du bottleneck mémoire-computation
Hadware security : PUF (Physical Unclonable Functions) à memristors
6. Approches au-delà de von Neumann
6.1 In-Memory Computing (IMC)
Processing-in-Memory (PIM) : intégration d'unités de calcul dans les bancs
mémoire (près des cellules)
Compute-in-Memory (CIM) : exécution de calculs dans les cellules mémoire
elles-mêmes
Near-Data Processing (NDP) : unités de calcul placées près de la mémoire
(dans le hub mémoire, le DIMM, ou la couche logique du HBM)
PIM architectures : Samsung HBM-PIM, UPMEM, AXDIMM
ISA PIM (Processing-In-Memory) : jeux d'instructions pour exécution in-memory
Logic-in-Memory (LIM) : portes logiques intégrées dans les cellules mémoire
Charge-domain computing : calcul dans le domaine de la charge électrique
dans les DRAM
Memristive PIM : in-memory computing via crossbars de memristors
Analogue in-memory computing : calcul analogique dans les mémoires non volatiles
Application-specific PIM : PIM pour IA, recommandation, base de données
6.2 Near-Data Processing (NDP)
Bottleneck mémoire (Memory Wall) : divergence de vitesse CPU-mémoire
Logic-in-HBM : unités de calcul dans les couches logiques du HBM2/3
3D-stacked NDP : empilement 3D de mémoire DRAM sur logique de calcul
Active Memory Cube : cubes mémoire avec logique embarquée
Processing using Memory (PuM) : exécution d'opérations dans les sous-tableaux
NDP pour bases de données : filtrage, agrégation, projection in-situ
NDP pour ML : GEMM, convolution, embedding lookup dans la mémoire
NDP pour graph processing : opérations sur graphes dans la mémoire proche
NDP pour analyse de données : scan et réduction dans les bancs mémoire
6.3 Nouveaux Paradigmes Architecturaux
Non-von Neumann architectures : tout modèle de calcul ne séparant pas
strictement mémoire et unité de calcul
Disaggregated computing : calcul désagrégé avec mémoires et processeurs
séparés dans le datacenter
Computational RAM (C-RAM) : DRAM avec capacités de calcul embarquées
Dataflow architectures : calcul piloté par les données (Systolic arrays,
spatial architectures)
Coarse-Grained Reconfigurable Arrays (CGRA) : matrices reconfigurables
pour le calcul de flux
Systolic arrays : matrices systoliques (Google TPU, etc.) pour GEMM
Storage-class memory (SCM) : hiérarchie mémoire repensée autour de
nouvelles technologies non volatiles
Unified memory architectures : architectures à mémoire unifiée CPU-GPU
7. Technologies Cryogéniques pour le Calcul
7.1 Cryo-CMOS et Électronique à Basse Température
Cryogenic CMOS (Cryo-CMOS) : conception de transistors CMOS fonctionnant
à 4K et 77K
Low-temperature electronics : amélioration des performances à froid
(mobilité, résistance de canal)
Cryo-memories : mémoires cryogéniques (SRAM, DRAM, MRAM)
Single-flux quantum (SFQ) logic : logique supraconductrice rapide
(RSFQ, AQFP, eSFQ)
Rapid Single Flux Quantum (RSFQ) : commutation à ps, consommation ~10⁸
inférieure au CMOS
Adiabatic Quantum Flux Parametron (AQFP) : logique supraconductrice
ultra-faible puissance
Refrigeration pour HPC : cryoréfrigérateurs pour datacenters cryogéniques
Interfaces thermiques : gestion de la chaleur à des températures cryogéniques
Voltage references et bandgap en cryogénie : circuits de référence à 4K
7.2 Contrôle et Interface avec Qubits
Cryo-CMOS pour contrôle de qubits : ASICs cryogéniques pour la génération
d'impulsions, le filtrage, et l'amplification
DAC/ADC cryogéniques : conversion numérique-analogique à 4K pour le
pilotage de qubits
Amplificateurs paramétriques Josephson (JPA) : amplification ultra-bruit
à 20 mK
Quantum-classical interface : interconnexion entre l'étage cryogénique
(10-20 mK) et l'électronique à température ambiante
Cryogenic interconnects : câbles coaxiaux, flexibles, fibres optiques
pour la transmission d'impulsions et la lecture
Multiplexage fréquentiel : lecture massive de qubits via multiplexage
en fréquence (flux ramp, microwave readout)
FPGA cryogéniques : logique reconfigurable en environnement cryogénique
Contrôleur sur puce : full-stack sur puce cryogénique
8. Microfluidique Computationnelle
8.1 Microfluidic Logic and Computing
Microfluidic circuits : canaux et valves microfluidiques contrôlés pour
le calcul
Logic microfluidic gates : portes logiques basées sur l'écoulement de
fluides/bulles
Fluid-based Boolean logic : AND, OR, NOT microfluidiques par pression
Droplet-based computing : gouttelettes comme bits d'information,
microfluidique digitale
Electrowetting-on-dielectric (EWOD) : déplacement de gouttelettes
par champ électrique pour la logique
Microfluidic memory : stockage de gouttelettes/bulles comme bits mémoire
Clock microfluidique : horloge fluide pour circuits microfluidiques
Sequential logic microfluidique : bascules, registres microfluidiques
8.2 Applications
Laboratoires sur puce intelligents : lab-on-chip computationnel
pour diagnostics autonomes
Microfluidic sorting and routing : tri de cellules ou molécules
assisté par logique microfluidique
Chemical computing : réactions chimiques guidées pour le calcul
Microfluidic oscillators : oscillateurs pour le timing et le contrôle
Integrated fluidic control : microprocesseurs fluidiques pour
l'expérimentation automatisée
Bio-screening microfluidique : criblage à haut débit assisté par
logique microfluidique
9. Matériaux 2D pour l'Électronique
9.1 Matériaux et Synthèse
Graphène : monocouche de carbone, mobilité record, absence de bandgap
TMDs (Transition Metal Dichalcogenides) : MoS₂, WS₂, WSe₂, MoSe₂ —
semi-conducteurs 2D avec bandgap
hBN (nitrure de bore hexagonal) : isolant 2D, substrat pour graphène et TMDs
Phosphore noir (black phosphorus) : semi-conducteur 2D à bandgap
ajustable, anisotropie
Silicène et germanène : analogues 2D du silicium/germanium
MXenes : carbures/nitrures de métaux de transition 2D
Antimonène, bismuthène : matériaux 2D du groupe V
Hétérostructures van der Waals : empilement de matériaux 2D par vdW
CVD, MBE, exfoliation mécanique : méthodes de synthèse et dépôt
Grande surface et transfert : production wafer-scale et transfert
de films 2D
9.2 Dispositifs et Applications Électroniques
Transistors 2D (FETs) : TMD-FET à haute mobilité, faible SS
Logique 2D : portes logiques complètes en matériaux 2D
Circuit intégrés 2D : processeurs et circuits élémentaires en TMD
Photodétecteurs 2D : détection de lumière de l'UV à l'IR
Émetteurs lumineux 2D (LED) : émission à partir de TMDs
Capteurs 2D : gaz, pression, biosenseurs à haute sensibilité
Flexible electronics 2D : électronique flexible, transparente,
pliable en matériaux 2D
Valleytronics : exploitation de la vallée électronique comme
degré de liberté dans les TMDs
Matériaux 2D memristifs : memristors en hBN, MoS₂, graphène
Hétérostructures 2D pour la photonique : modulateurs, détecteurs
intégrés
2D pour l'interconnexion : électrodes et interconnexions en graphène
10. ReRAM / PCM / STT-MRAM
10.1 Resistive RAM (ReRAM / RRAM)
Principe de fonctionnement : changement réversible de résistance dans
un oxyde sous tension
Mécanismes : filamentary switching, interfacial switching
Oxydes typiques : HfO₂, TaOₓ, TiO₂, NiO, Al₂O₃
Performances : endurance (>10¹² cycles), rétention (>10 ans à 85°C),
vitesse (<10 ns)
Multi-level cell (MLC) : stockage multi-niveaux, poids analogiques
pour neuromorphique
Selector devices : OTS (Ovonic Threshold Switch), MIS, MIEC, SOT
Integration 3D crossbar : matrices 3D pour ultra-haute densité
Applications : stockage de masse, mémoire de travail, compute-in-memory,
neuromorphique
ReRAM biocompatible : memristors pour implants, bio-neuromorphique
10.2 Phase-Change Memory (PCM)
Principe : transition entre phase amorphe (haute résistance) et
cristalline (basse résistance) d'un chalcogénure
Matériaux : GST (Ge₂Sb₂Te₅), GST-225, alliages dopés, superlattices
interfaciales
Fonctionnement : RESET (fusion + trempe → amorphe), SET (recuit → cristal),
READ (lecture à faible tension)
Propriétés : endurance (10⁶-10⁹), rétention, MLC
PCM orienté stockage : Optane (Intel/Micron, discontinué), prototypes
3D XPoint
PCM pour compute-in-memory : accumulation analogique, MAC dans le
poids en phase
Multi-states PCM : niveaux de conductance multiples pour réseaux
de neurones
Projected PCM : découplage lecture/écriture pour la rétention
10.3 STT-MRAM (Spin-Transfer Torque MRAM)
Principe : magnétorésistance tunnel (TMR), retournement de
l'aimantation par courant polarisé en spin
Structure : MTJ (Magnetic Tunnel Junction) — couche de référence,
barrière MgO, couche libre
STT switching : retournement de l'aimantation de la couche libre
via STT
Performances : endurance quasi-infinie (>10¹⁵), vitesse (ns),
faible consommation
Variantes : in-plane MTJ, perpendicular MTJ (p-MTJ), double MTJ
Standalone STT-MRAM : mémoire embarquée et cache (eMRAM)
Industrialisation : Samsung, TSMC, GlobalFoundries, Everspin
STT-MRAM pour cache : remplacement de SRAM/eDRAM en dernière génération
STT-MRAM embarquée : eMRAM en Foundry nodes (28nm, 22nm)
Spin-Orbit Torque MRAM (SOT-MRAM) : commutation plus rapide via
effet Hall de spin
Voltage-Controlled Magnetic Anisotropy (VCMA-MRAM) : commutation
assistée par tension
11. Spintronique
11.1 Fondements de la Spintronique
Spin de l'électron : degré de liberté pour le transport et le stockage
de l'information
Magnétorésistance géante (GMR) : prix Nobel 2007 (Fert, Grünberg)
Magnétorésistance tunnel (TMR) : effet tunnel magnétique dans MTJs
Courant polarisé en spin : génération et injection de spin
Spin injection : injection de spin depuis un ferromagnétique dans
un semi-conducteur ou métal
Diffusion de spin : longueur de diffusion, temps de relaxation
Effet Hall de spin et Hall de spin inverse : conversion courant-spin
et spin-courant
Effet Rashba : couplage spin-orbite pour la manipulation de spin
Effet Edelstein : génération de spin par courant dans des systèmes
à couplage spin-orbite
11.2 Dispositifs et Logique Spintronique
Spin valves : structures métalliques à GMR pour capteurs et mémoire
Spin transistors : transistors à spin pour logique reprogrammable
Spin logic devices : portes logiques magnétiques (pNML, All-spin logic)
Domain wall logic : logique à parois de domaines magnétiques
Skyrmions magnétiques : textures de spin topologiques comme
porteurs d'information
Current-induced domain wall motion : déplacement de parois par
courant pour la logique
Spin-wave computing : calcul par ondes de spin (magnonique)
Magnonique : logique à magnons, interféromètres à ondes de spin
Spin-orbit logic : logique basée sur l'effet Hall de spin
Magnetic tunnel junction logic : logique non volatile
11.3 Applications Spintroniques
Capteurs spintroniques : capteurs de champ magnétique, de courant,
de position
Têtes de lecture HDD : lecture magnétique à GMR/TMR
Spintronic oscillators : oscillateurs à transfert de spin (STO)
et oscillateurs à couplage spin-orbite
Ising machines spintroniques : solveurs d'optimisation à oscillateurs
couplés et skyrmions
Hardware security : PUF spintroniques, TRNG (True Random Number
Generator) à STO
Spintronics neural networks : réseaux de neurones à oscillateurs
spintroniques
Spintronic reservoir computing : ordinateur à réservoir spintronique
Antiferromagnetic spintronics : spintronique antiferromagnétique
pour mémoires ultrarapides
Spintronic neuromorphic computing : synapses et neurones magnétiques
12. Ordinateur à Réservoir (Reservoir Computing)
12.1 Principes du Reservoir Computing
Approche : projection non linéaire d'entrées dans un espace de haute
dimension (le réservoir) → lecture linéaire
Réservoir fixe : les poids internes du réservoir sont aléatoires et
non entraînés
Entraînement uniquement de la sortie : simple régression linéaire
ou ridge regression
Echo State Property : condition de stabilité du réservoir —
l'état doit être une fonction des entrées passées
Mémoire à court terme : capacité du réservoir à retenir l'historique
des entrées
Non-linéarité : fonction d'activation interne (tanh, sigmoid) du réservoir
Avantages : entraînement très rapide (pas de retropropagation),
adapté au matériel
12.2 Implémentations Matérielles
Reservoir optique/photonique : temps de réponse ultra-rapide,
multiplexage en longueur d'onde
Reservoir électronique : circuits analogiques non linéaires,
oscillateurs couplés
Reservoir memristif : réseaux de memristors comme réservoirs
physiques
Reservoir spintronique : oscillateurs à transfert de spin comme
nœuds du réservoir
Reservoir à délais : un seul nœud non linéaire + ligne à retard
(time-multiplexed reservoir)
Reservoir mécanique : systèmes mécaniques non linéaires
Reservoir biologique : réseaux de neurones biologiques, colonies
bactériennes, moisissure
Reservoir moléculaire : réservoir à base de réactions chimiques
12.3 Applications
Prédiction de séries temporelles : chaotiques (Lorenz, Mackey-Glass),
financières, météorologiques
Reconnaissance de parole : classification de signaux audio en temps réel
Reconnaissance de chiffres écrits : MNIST, classification de motifs
temporels
Contrôle robotique : contrôle en boucle fermée, apprentissage
de séquences motrices
Communication non linéaire : égalisation de canaux, détection
non linéaire
Traitement de signaux temps réel : filtrage adaptatif, prédiction
Diagnostic médical : classification d'EEG, ECG
Reservoir computing pour l'edge : inférence à très faible consommation
Reservoir computing quantique : réservoirs quantiques à NISQ
13. Systèmes Auto-Organisants et Matériel Biologique
13.1 Systèmes Auto-Organisés
Auto-organisation en informatique : émergence de comportements
globaux à partir de règles locales
Algorithmes distribués auto-organisés : consensus, synchronisation,
partitionnement sans coordinateur central
Intelligence en essaim (swarm intelligence) : colonies de fourmis,
bancs de poissons, essaims de drones — résolution distribuée de problèmes
Cellular automata (automates cellulaires) : Jeu de la Vie (Conway),
Rule 110 (Turing-complet), automates à gaz
Self-assembly computationnel : assemblage de nanostructures ADN
et moléculaires pour le calcul
Self- systems * : self-configuration, self-healing, self-optimization,
self-protection en systèmes distribués
Morphogenesis computationnelle : calcul par développement et
différenciation cellulaire simulée
Reconfigurable computing : FPGAs auto-reconfigurables, arrays
de portes adaptatives
Bio-inspired self-organization : algorithmes inspirés du
comportement collectif biologique
13.2 Matériel Biologique et Systèmes Hybrides
Systèmes hybrides bio-numériques : intégration de composants
biologiques dans des circuits électroniques
Neurones sur puce (MEA) : réseaux de neurones biologiques sur
Multi-Electrode Arrays pour le calcul
Cultured neural networks : calcul par réseaux de neurones
cultivés in vitro
Brain-on-chip (organoïdes cérébraux) : mini-cerveaux pour
l'informatique neuromorphique biologique
Cyborg computing : hybrides biologie-électronique
Bacterial computing en réseau : biofilms computationnels
Slime mold computing : calcul par Physarum polycephalum
Computational fungi : calcul distribué via réseaux fongiques
Swarm robotics bio-hybride : robots contrôlés par des signaux
biologiques
Living sensors et senseurs auto-réparants : biocapteurs
intégrés dans le matériel
Veille Organisationnelle et Institutionnelle
Programme DARPA Le DARPA finance des programmes transformateurs en technologies émergentes :
DARPA IMPAQT (Intelligent Memory and Processing Accelerating
Quantum Technologies) : optimisation des systèmes de contrôle quantiques
DARPA OQN (Optimization with Noisy Qubits) : algorithmes NISQ
DARPA DRINQS (Distributed Quantum Computing) : réseaux de
processeurs quantiques
DARPA QBI (Quantum Benchmarking Initiative) : benchmarking et
standardisation des performances quantiques
DARPA UHPC, ERI : programmes en architecture au-delà de von Neumann
DARPA UPSIDE (Unconventional Processing of Signals for
Intelligent Data Exploitation) : traitement de signaux non conventionnel
DARPA FRANC (Foundations of Neural Computing) : fondements du
calcul neuromorphique
DARPA N-ZERO : calcul quasi-consommation nulle pour l'IoT
et les capteurs
DARPA PhENOMS : photonique pour le calcul à haute performance
DARPA MTO (Microsystems Technology Office) : programmes en
spintronique, 2D materials, memristors
DARPA MMEC : calcul en mémoire et au-delà de von Neumann
DARPA QLAM : Quantum Logic and Algorithms for Materials
DARPA Imagining Practical Quantum Computing : feuille de route
vers le calcul quantique pratique
IRDS Roadmap L'IRDS (International Roadmap for Devices and Systems) définit la
feuille de route technologique mondiale remplaçant l'ITRS :
IRDS More Moore : scaling des technologies CMOS (FinFET, GAA FET,
CFET, 2D FET)
IRDS Beyond CMOS : technologies émergentes post-CMOS — électronique
à spin, à matériaux 2D, neuromorphique, computationnelle non conventionnelle
IRDS More than Moore : hétéro-intégration, capteurs, MEMS, RF,
technologies de puissance, microfluidique, bioélectronique
IRDS Emerging Research Devices : ReRAM, PCM, STT-MRAM, FeFET,
à tube de carbone, interconnexions optiques, memristors
IRDS Emerging Research Materials : matériaux 2D, TMD, hBN,
multiferroïques, matériaux à changement de phase, oxydes à
lacunes d'oxygène
IRDS Systems and Architectures : architectures non von Neumann,
PIM, CIM, architecture neuromorphique
IRDS Quantum Information : roadmap pour les technologies
d'information quantique — qubits, correction d'erreur, plateformes
Publish years : rapports bisannuels — 2023, 2025, 2027
(dernier : 2024 White Papers)
NIST — National Institute of Standards and Technology Le NIST joue un rôle central dans la standardisation et la métrologie
des technologies émergentes :
NIST Quantum Information : métrologie des qubits, benchmarking
des portes, standardisation des algorithmes
NIST Post-Quantum Cryptography (PQC) : sélection et standardisation
des algorithmes cryptographiques résistants aux ordinateurs quantiques
(CRYSTALS-Kyber/ML-KEM, CRYSTALS-Dilithium/ML-DSA, SPHINCS+/SLH-DSA, FALCON/FN-DSA)
NIST AI Safety Institute : sécurité de l'IA, mais aussi évaluation
des technologies neuromorphiques et non conventionnelles
NIST CHIPS R&D : métrologie des matériaux 2D, mesure de la
fiabilité des mémoires émergentes
NIST Quantum Economic Development Consortium (QED-C) : consortium
industriel pour l'économie quantique
NIST Nanotechnology : mesures et standards pour les nanomatériaux
(matériaux 2D, nanotubes, nanoparticules)
NIST On a Chip : standardisation des laboratoires sur puce
NIST Standards : IEEE 1650 (Standard for ReRAM), normes
sur les technologies de mémoire, métrologie TMR pour spintronique
Stratégie de Veille
Flux arXiv
Primaire : /list/cs.ET/recent — noyau des technologies émergentes
Cross-listés clés :
quant-ph — calcul quantique, correction d'erreur, algorithmes
physics.app-ph — physique appliquée (dispositifs, matériaux)
physics.optics — optique, photonique, dispositifs
cond-mat.mes-hall — mésoscopique, spintronique, 2D, memristors
cond-mat.mtrl-sci — science des matériaux
cs.AR — architecture matérielle, PIM, NDP
cs.NE — réseaux de neurones, réservoir computing
q-bio.MN — biologie moléculaire, ADN computing
eess.SP — traitement du signal pour capteurs et circuits
physics.bio-ph — biophysique pour biocomputing
nlin.AO — systèmes adaptatifs et auto-organisation
Mots-clés de veille par domaine
Neuromorphique : "neuromorphic computing", "spiking neural network",
"STDP", "Loihi", "memristive crossbar", "event-driven"
Quantique : "quantum computing", "NISQ", "error correction",
"surface code", "VQE", "QAOA", "fault-tolerant", "transmon", "quantum advantage"
ADN/Bio : "DNA computing", "DNA storage", "DNA origami",
"molecular computing", "biocomputing", "synthetic biology computing"
Optique : "optical computing", "photonic neural network",
"silicon photonics", "diffractive network", "optical interconnect"
Post-von Neumann : "in-memory computing", "near-data processing",
"processing-in-memory", "compute-in-memory", "non-von Neumann"
Memristors : "memristor", "RRAM", "crossbar array",
"analog synapse", "neuromorphic memristor"
Matériaux 2D : "2D materials", "graphene", "MoS2",
"transition metal dichalcogenide", "van der Waals heterostructure"
Spintronique : "spintronics", "STT-MRAM", "skyrmion",
"magnonics", "spin-orbit torque", "magnetic tunnel junction"
Réservoir : "reservoir computing", "echo state network",
"physical reservoir", "photonic reservoir", "spintronic reservoir"
Cryogénie : "cryogenic computing", "cryo-CMOS",
"single flux quantum", "superconducting logic", "AQFP"
Conférences et publications clés
IEDM (International Electron Devices Meeting) — dispositifs et
technologies mémoires
VLSI Symposium — circuits et technologies
ISSCC (International Solid-State Circuits Conference) — circuits
intégrés émergents
NANOARCH (IEEE International Symposium on Nanoscale Architectures)
ICRC (IEEE International Conference on Rebooting Computing)
IEEE NANO — nanotechnologies
AICAS (IEEE International Conference on Artificial Intelligence
Circuits and Systems) — circuits neuromorphiques et IA
QEC (Quantum Error Correction) — correction d'erreur quantique
IEEE Quantum Week — conférence annuelle IEEE sur le calcul quantique
DNA Computing and Molecular Programming (DNA conference)
SPIE Photonics West — photonique
MRS Fall/Spring — matériaux émergents
INTERMAG / MMM — magnétisme, spintronique
Nature Electronics , Nature Nanotechnology , Nature Photonics ,
Nature Computational Science , Nature Physics
Science Advances , PNAS — publications généralistes
IEEE Transactions on Electron Devices , IEEE Journal
on Exploratory Solid-State Computational Devices and Circuits
Advanced Functional Materials , Advanced Materials
PRX Quantum , Quantum , npj Quantum Information
ACS Nano , Nano Letters , 2D Materials
Neuromorphic Computing and Engineering (IOP)
Acteurs industriels et académiques clés
IBM Research : calcul quantique (cond. supra), neuromorphique
(TrueNorth, NorthPole)
Intel Labs : neuromorphique (Loihi 1/2/3), calcul quantique
(Tunnel Falls), cryo-CMOS
Google Quantum AI : calcul quantique (Sycamore, Willow),
correction d'erreur
Microsoft Azure Quantum : qubits topologiques (Majorana),
atomes neutres, IonQ
IMEC : 2D materials, neuromorphic devices, ReRAM, cryo-CMOS,
IRDS roadmap contributor
CEA-Leti : circuits neuromorphiques, ReRAM, technologies
quantiques, microfluidique
MIT (EECS, Media Lab) : ADN computing, neuromorphique,
calcul optique, matériaux 2D, spintronique
Stanford (Nanoelectronics Group) : matériaux 2D, memristors,
circuits neuromorphiques, PIM
ETH Zurich (IIS, D-MAVT) : au-delà de von Neumann,
neuromorphique, microfluidique computationnelle
University of Chicago (PME) : spintronique, memristors,
ordinateur à réservoir
Purdue University : matériaux 2D, spintronique, logique au-delà
de CMOS
Tokyo Institute of Technology : AQFP (supraconducteur logique),
matériaux 2D, spintronique
Tohoku University (CSIS, RIEC) : spintronique, STT-MRAM,
SOT-MRAM, VCMA
LMU Munich / TU Munich : ADN computing, biocomputing
Caltech : ADN computing, DNA origami, nanophotonique
Harvard : atomes neutres (QuEra), matériaux 2D, biologie
synthétique computationnelle
Articles Représentatifs Récents (Mi-2026)
Willow: A 105-qubit superconducting quantum processor with error
correction below threshold — Google Quantum AI (Nature, 2025)
Loihi 3: Advances in Neuromorphic Computing Chips — Intel Labs
Large-scale optical neural network based on frequency combs
and microresonators — Nature Photonics, 2025
DNA storage with random access and in-storage computation —
Nature Nanotechnology, 2025
ReRAM-based analog in-memory computing for transformer
acceleration — IEDM 2025
SOT-MRAM for last-level cache: 22nm demonstrator with
<1ns write — VLSI Symposium, 2025
Neuromorphic computing with 2D materials: MoS2 memristive
crossbar arrays — Nature Electronics, 2025
Photonic reservoir computing for real-time chaotic time-series
prediction — Optica, 2025
Near-data processing for graph analytics: 3D-stacked
HBM-PIM evaluation — ISCA, 2025
Cryo-CMOS controller for 100+ qubits at 4K — ISSCC, 2025
Programmable DNA origami circuits for molecular computation —
Nature Computational Science, 2025
Physical reservoir computing with spin-torque nano-oscillators —
Nature Communications, 2025
Non-von Neumann architectures: A comprehensive survey
of processing-in-memory — ACM Computing Surveys, 2025
Quantum error correction below surface code threshold —
Nature, 2025 (Harvard/QuEra neutral atoms)
Microfluidic logic arrays for automated laboratory-on-chip
computation — Lab on a Chip, 2025
Self-organizing bio-hybrid computing systems: slime mold
and fungal networks for distributed computation —
Science Advances, 2025
IRDS 2025 Update: Beyond CMOS Devices and Emerging
Research Materials — IRDS White Papers, 2025
Stochastic computing with spin-orbit torque nanodevices
for probabilistic inference — Nature Nanotechnology, 2025
Magnonic reservoir computing for speech recognition —
Nature Communications, 2025
Skyrmion-based artificial synapses for neuromorphic
computing — Advanced Materials, 2025