Les dispositifs neuromorphiques électrochimiques, tels que les transistors ioniques synaptiques, offrent des perspectives prometteuses pour le développement d’architectures de calcul inspirées du fonctionnement du cerveau et présentant une faible consommation énergétique. Toutefois, leur conception et leur optimisation restent complexes en raison du couplage entre le transport ionique, les processus électrochimiques et les phénomènes électrostatiques. Les approches actuelles reposent encore largement sur des cycles itératifs de fabrication et de caractérisation expérimentale, ce qui limite l’exploration de l’espace de conception et l’identification de configurations optimales.

Cette thèse vise à développer une approche de type « jumeau numérique » prédictive et fondée sur les lois physiques, afin d’accélérer la modélisation et la conception inverse de dispositifs neuromorphiques électrochimiques. La méthodologie proposée associera modélisation multiphysique, inférence bayésienne et apprentissage automatique pour prédire le comportement des dispositifs, quantifier les incertitudes et explorer numériquement différentes architectures, réduisant ainsi le recours aux approches expérimentales reposant sur des cycles successifs d’essais et d’erreurs.

En s’appuyant sur une chaîne de calcul bayésienne existante et un modèle de substitution fondé sur des réseaux de neurones, le projet explorera des stratégies avancées d’apprentissage permettant d’approcher efficacement la distribution de probabilité a posteriori des paramètres physiques et géométriques du modèle, conditionnellement aux mesures expérimentales et/ou aux performances visées pour les dispositifs. Une attention particulière sera portée aux approches d’apprentissage informées par la physique, combinant les contraintes issues des équations aux dérivées partielles (EDP) gouvernant le système avec des observations expérimentales ponctuelles et peu nombreuses, dans l’esprit des *Physics-Informed Neural Operators* (PINO). Les opérateurs neuronaux, les modèles génératifs conditionnels (notamment les modèles de diffusion), ainsi que d’autres stratégies probabilistes d’apprentissage de l’état de l’art seront étudiés afin d’obtenir une approximation précise et efficace en termes de coût de calcul des distributions a posteriori, tout en permettant la quantification des incertitudes et la conception inverse des dispositifs.

Au-delà des dispositifs neuromorphiques électrochimiques, les méthodes développées pourront être étendues à une classe plus large de systèmes diélectriques non linéaires, notamment les dispositifs ferroélectriques et antiferroélectriques. Ces systèmes mettent en jeu des relations constitutives fortement non linéaires et des équations couplées complexes, qui rendent souvent particulièrement difficiles leur modélisation numérique conventionnelle et l'identification de leurs paramètres. Ils constituent ainsi un domaine d’application particulièrement prometteur pour la méthodologie proposée, fondée sur l'association de l'inférence bayésienne et de l'apprentissage automatique informé par la physique.