Publications

Thèses


< retour aux thèses

« Évaluation de systèmes d'apprentissage automatique en périphérie face aux effets induits par la radiation ».

Auteur : M. Garay Trindade
Directeur de thèse : R. Possamai Bastos
Rapporteur(s) de thèse : A. Bosio, S. Cuenca Asensi,
Examinateur(s) de thèse : P. Girard , L. Artola,
These de Doctorat Université Grenoble Alpes
Spécialité : Nanoélectronique et Nanotechnologies
Soutenance : 30/09/2021

Résumé

Les algorithmes d'apprentissage automatique (ML) ont gagné popularité ces dernières années, en fournissant des solutions simples à une large gamme d'applications, comme les moteurs de recherche, les systèmes de recommandation, la robotique et même les voitures autonomes. Comme le dernier exemple suggère, le ML a gagné de la place même sur les systèmes critiques, y compris les applications au niveau terrestre, avioniques et spatiales. Toutefois, certaines exigences doivent être respectées dans de tels systèmes, vu que les fautes sont soit coûteuses, soit désastreuses (ou les deux) dans ces scénarios. Premièrement, ces systèmes ont souvent une puissance de computation limitée sur leurs composants. Deuxièmement, les fautes induit par la radiation sont également une préoccupation majeure, spécialement aux altitudes avioniques et dans l'espace, mais toujours suffisamment pertinents pour les applications au niveau terrestre. En explorant ces requis, cette thèse évalue les effets de la radiation sur des implémentations d'algorithmes d'apprentissage automatique en périphérie proéminentes. Initialement, des implémentations FPGA de l'algorithme Support Vector Machine (SVM) ont été évaluées sous les effets de la radiation des neutrons rapides et thermiques, des particules qui doivent être pris en compte surtout pour les applications au sol et avioniques. Cette évaluation a été complémenté par deux différentes techniques d'injection des fautes pour mieux comprendre les effets des fautes sur les systèmes. Ces tests ont montré que les implémentations aient un certain niveau de tolérance intrinsèque aux fautes. Suite à ce travail, les implémentations de trois algorithmes - Réseaux de neurones artificiels (ANN), Random Forest (RF) et SVM – implémentés dans des microcontrôleurs commerciaux (cartes de développement STM32 Nucleo) ont été évaluées sous les effets des neutrons rapides. Encore une fois, en suivant la tendance observée sur les implémentations FPGA, ils ont présenté une tolérance intrinsèque aux fautes. En plus, l'implémentation du RF a pu tolérer toutes les fautes induites par la radiation. Ce travail a également été complémenté par une campagne d'injection de fautes. L'outil utilisé pour ce dernier a été développé dans le cadre de la thèse et, bien qu'encore limité aux plateformes STM32, elle peut être portée à d'autres cartes.