Affordable Access

Modélisation et exploration d'architectures neuromorphiques pour les systèmes embarqués haute-performance

Authors
  • Lemaire, Edgar
Publication Date
Mar 08, 2022
Source
HAL
Keywords
Language
French
License
Unknown
External links

Abstract

Les réseaux de neurones profonds ont permis des progrès sans précédent dans le domaine del’apprentissage automatique. En imitant le calcul parallèle et distribué du cerveau, de tels algorithmes permettant en effet d’émuler n’importe quelle fonction, jusqu’aux plus complexes. Leursapplications vont de la vision par ordinateur (classification, segmentation, détection...), au traite-ment du langage naturel en passant par la prédiction de séries temporelles. Dans tous cesdomaines, les réseaux de neurones profonds n’ont cessé de repousser les limites de l’intelligenceartificielle. D’autre part, nous assistons par ailleurs à l’émergence progressive de l’internet desobjets (Internet of Things, IoT). Ces systèmes embarqués connectés ont un besoin grandissanten capacité de traitement, et les réseaux de neurones profonds semblent alors tout indiqués pouraccomplir cette tâche. Qu’il s’agisse de navigation autonome dans des drones ou dans des voituressans pilote, de reconnaissance faciale dans les téléphones portables ou plus généralement de traite-ment périphérique (Edge Computing) dans les réseaux de capteurs, les applications embarquéesde l’apprentissage profond sont déjà nombreuses. Cependant, les algorithmes neuronaux sontcomplexes et particulièrement gourmands en ressources de calcul. En matière de consommationénergétique, ces derniers semblent en effet incompatibles avec la nature contrainte des systèmesd’IoT. Dans cette optique, l’approche de l’Électronique Neuromorphique consiste à s’inspirer ducerveau biologique pour en mimer l’efficacité énergétique. En effet, il s’agit du modèle de processeurneuronal le plus abouti à notre connaissance, affichant une consommation d’à peine 20 watts. Àtravers l’utilisation de modèles de neurones bio-inspirés proposés par les neurosciences computa-tionnelles, l’approche Neuromorphique a pour objectif de réduire la consommation énergétique del’intelligence artificielle embarquée. Cette approche repose sur des arguments prometteurs: la simplicité du calcul impulsionnel, l’aspect binaire des synapses et l’encodage ”épars” (sparse). Cependant, la littérature scientifique spécialisée semble manquer de comparaison étendue de l’impactdu domaine de codage sur l’efficacité énergétique des accélérateurs neuronaux. De ce fait, lacontribution principale de cette thèse est une comparaison détaillée des domaines de codage impulsionnels et formels sur FPGA. Cette étude implique plusieurs cas d’usage et différents niveauxde parallélisme. Ce volet de la thèse a été mené a bien au moyen du développement d’un estimateur de ressources et d’énergie pour les architectures neuronales sur FPGA. Cet outil permetd’accélérer l’exploration de l’espace des applications. D’autre part, nous proposons de quantifierles gains potentiels au moyen d’une métrique et d’un modèle de haut niveau: le ratio d’activitésynaptique. Cette métrique permet d’évaluer rapidement les gains potentiels d’énergies offerts parle domaine impulsionnel pour une application donnée. Nous l’utilisons notamment pour trouverde nouvelles familles de réseaux impulsionnels prometteuses en termes énergétiques. Enfin, nousmettons à profit les enseignements de cette étude pour proposer l’accélération neuronale hybride,une architecture mêlant les deux domaines d’encodage (impulsionnel et formel). L’architecture aété embarquée à bord du satellite OPS-SAT (lancé en Décembre 2019) et testée en vol. Ce faisant,il s’agit de la toute première architecture neuromorphique fonctionnelle dans l’espace.

Report this publication

Statistics

Seen <100 times