Un nez électronique est un capteur qui permet d’identifier un certain nombre d’odeurs en mesurant les concentrations relatives de différentes molécules de gaz dans l’air. Les applications sont nombreuses: contrôle de la qualité de l’air, agriculture, industries agroalimentaires, pharmaceutiques, etc. La spécificité d’un nez électronique, par rapport à d’autres capteurs de gaz, est de ne pas inclure de dispositifs de séparation des gaz. La discrimination est réalisée en utilisant les spécificités croisées de plusieurs capteurs, associés à un traitement du signal dédié. Les « Capacitive Micromachined Ultrasound Transducer » (CMUT) sont des MEMS initialement dédiés à l’émission et la réception d’ondes acoustiques ultrasonores. Un ensemble de transducteurs peut également être utilisé pour la caractérisation de gaz sur un principe gravimétrique. Cette technologie a suscité un fort engouement durant la dernière décennie pour le développement de nez électroniques, notamment car elle se couple facilement avec des fonctionnalisations de surface. Ainsi, un transducteur cMUT avec une fonctionnalisation chimique dédiée forme l’unité de base d’un nez électronique. Le nez peut être constitué de plusieurs dizaines de transducteurs, chacun fonctionnalisé par une chimie particulière. Dans l’état de l’art, le traitement du signal est en général réalisé avec des moyens informatiques standard, peu adaptés à de l’électronique embarquée et gourmands en énergie. Grâce au financement du Conseil Européen de la Recherche (ERC) obtenu par Elisa VIANELLO pour développer des circuits silicium inspirés du système nerveux des insectes, nous souhaitons aller plus loin en intégrant dans un même système basse consommation les capteurs cMUT, une électronique proche capteur, un traitement du signal et un circuit de classification neuromorphiques. L’objectif est de proposer des solutions pour obtenir un système de nez artificiel à base de cMUTs robuste, très basse consommation et très compact. Les travaux concerneront l’acquisition d’une base de données solide comme préalable à la conception du système, l’adoption d’une démarche Machine Learning pour développer le traitement du signal et la classification, la conception d’un circuit ASIC pour démontrer des fonctions clés et l’exploration de différents paradigmes de calculs pour une estimation robuste des odeurs en présence (réseau bayésien, réseau de neurones, ou autres).