Assessment of Edge Machine-Learning Systems under Radiation-Induced Effects - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Assessment of Edge Machine-Learning Systems under Radiation-Induced Effects

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

Résumé

Machine learning (ML) algorithms have grown in popularity in recent years, providing straightforward solutions to a wide range of applications, such as search engines, recommendation systems, robotics and even self-driven cars. As the last example suggests, ML has been gaining its space even on critical systems, including ground, avionics and space applications. However, there are requirements that need to be met in such systems, as faults are either costly or disastrous (or both) in these scenarios. First, often these systems have limited processing power on their embedded components. Secondly, radiation induced faults are also a major concern, specially at avionics altitudes and on space, but still relevant enough for ground level applications. Exploring these requirements, this thesis evaluates the radiation effects on edge implementation of prominent machine learning algorithms. Initially, FPGA implementations of Support Vector Machine (SVM) algorithm have been evaluated under the effects of both fast and thermal neutron radiation, particles that should be considered for ground and avionic applications. This evaluation was complemented using two different fault injection techniques to better understand the effects of faults on the systems. These tests have shown that the implementations had a certain level of intrinsic fault tolerance. Following this work, the implementations of three Algorithms - Artificial Neural Networks (ANN), Random Forest (RF) and SVM - using off-the-shelf micro-controllers (STM32 Nucleo development boards) have been evaluated under the effects of fast neutrons. Again, following the trend observed on the FPGA implementations, they presented intrinsic fault tolerance. Furthermore, the RF implementation was able to tolerate all the radiation induced failures. This work was also complemented by a fault injection campaign. The tool used was developed within the context of the thesis and, while still restricted to the STM32platforms, could be expanded to other boards.
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.
Fichier principal
Vignette du fichier
GARAY_TRINDADE_2021_archivage.pdf (5.12 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03525899 , version 1 (14-01-2022)

Identifiants

  • HAL Id : tel-03525899 , version 1

Citer

Matheus Garay Trindade. Assessment of Edge Machine-Learning Systems under Radiation-Induced Effects. Micro and nanotechnologies/Microelectronics. Université Grenoble Alpes [2020-..], 2021. English. ⟨NNT : 2021GRALT063⟩. ⟨tel-03525899⟩

Collections

UGA CNRS TIMA STAR
159 Consultations
61 Téléchargements

Partager

Gmail Facebook X LinkedIn More