Sûreté fonctionnelle et fiabilité des systèmes neuromorphiques

Functional safety and reliability of neuromorphic computing systems

• Auteur / Autrice : Theofilos Spyrou
• Direction : Haralampos Stratigopoulos
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance le 07/06/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Bertrand Granado
• Jury : Examinateurs / Examinatrices : Said Hamdioui, Alkiviadis Hatzopoulos
• Jury : Rapporteurs / Rapporteuses : Lorena Anghel, Paolo Rech

Mots clés

Mots clés contrôlés

Tolérance aux fautes (informatique)

Algorithmes bio-inspirés (intelligence artificielle)

Réseaux neuronaux (informatique)

Mots clés libres

Réseaux de Neurones à Impulsions SNN

Tolérance aux Fautes

Test

Fiabilité

Intelligence Artificielle

Informatique Neuromorphique

Spiking Neural Networks SNN

Fault Tolerance

Testing

Reliability

Artificial Intelligence

Neuromorphic Computing

Résumé

L'essor récent de l'intelligence artificielle (IA) a trouvé un large éventail d'applications qui l'intègrent essentiellement dans presque tous les domaines de notre vie. Avec une telle intégration, il est raisonnable que des préoccupations surgissent. Celles-ci doivent être éliminées avant l'utilisation de l'IA sur le terrain, en particulier dans les applications critiques en termes de mission et de sécurité, comme les véhicules autonomes. Les réseaux neuronaux à impulsions (Spiking Neural Networks, SNNs), bien que d'inspiration biologique, n'héritent que partiellement des remarquables capacités de résistance aux pannes de leurs homologues biologiques, car ils sont vulnérables aux défauts électroniques et aux pannes survenant au niveau du matériel. Par conséquent, une exploration méthodologique des caractéristiques de fiabilité des accélérateurs matériels d'IA et des plateformes neuromorphiques est de la plus haute importance. Cette thèse aborde les sujets du test et de la tolérance aux fautes dans les SNNs et leurs implémentations neuromorphiques sur le matériel.

The recent rise of Artificial Intelligence (AI) has found a wide range of applications essentially integrating it gaining more and more ground in almost every field of our lives. With this steep integration of AI, it is reasonable for concerns to arise, which need to be eliminated before the employment of AI in the field, especially in mission- and safety-critical applications like autonomous vehicles. Spiking Neural Networks (SNNs), although biologically inspired, inherit only partially the remarkable fault resilience capabilities of their biological counterparts, being vulnerable to electronic defects and faults occurring at hardware level. Hence, a methodological exploration of the dependability characteristics of AI hardware accelerators and neuromorphic platforms is of utmost importance. This thesis tackles the subjects of testing and fault tolerance in SNNs and their neuromorphic implementations on hardware.