Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

20 mars 2018

Compromis Energie-Performance dans les Réseaux Optiques sur Puce


Catégorie : Doctorant


Contexte

Le développement de nœuds de capteur sans-fil offrant un compromis entre l’autonomie et les performances est un challenge important pour le développement des sociétés numériques de demain. Ce challenge est encore plus critique lorsque ces nœuds sont utilisés comme module de surveillance miniature. En effet, pour ce domaine particulier, le système électronique doit en permanence trouver le meilleur compromis entre la consommation d’énergie et les performances nécessaires à l’application. L’utilisation du concept de machine learning est un atout fort dans ce contexte où la recherche de ce compromis doit être réalisée dynamiquement pour adapter le besoin applicatif à l’environnement dans lequel évolue le système. Cela peut aller d’une détection de mouvement nécessitant peu de puissance de calcul, à la transmission sans fil d’un flux vidéo crypté en cas de détection d’un événement important.

L’obtention d’une forte puissance de calcul est aujourd’hui largement acquise par la multiplication des unités de calcul au sein des architectures multiprocesseurs. La recherche du compromis énergétique peut alors être obtenue par l’intégration de structures de calcul dédiées qui conduit alors à des architectures parallèles et hétérogènes.

Toutefois, ce parallélisme, induit par le nombre d’unités de calcul, associé à l’utilisation du machine learning, génère une forte quantité d’échanges de données pouvant translater la consommation majeure d’énergie sur l’interconnexion entre les unités de traitement. Les réseaux électriques sur puce (Electric Network-on-Chip – NoC) sont des supports de communication matures depuis le début de la décennie [2, 3]. Ils sont basés sur un ensemble de routeurs autonomes et de liens de communication parallèles permettant d’envoyer des données entre une source et une destination sous forme de paquets. Ces réseaux sont efficaces lorsque le nombre de routeurs reste faible, mais ils passent difficilement à l’échelle et ne sont donc pas adaptés pour des architectures où le nombre d’unités de traitement augmente fortement.

Parallèlement à cette solution de réseaux électriques, les nouvelles technologies d’intégration ont permis l’avènement de la photonique sur silicium [4, 5]. Cette dernière a donné naissance à de nouveaux moyens d’interconnexions, dont les NoC optiques (Optical NoC – ONoC) qui présentent des avantages en termes de latence, de coût énergétique de transfert de données, et de densité (débit par cm2). Cette densité est atteinte par l’utilisation du multiplexage par longueur d’onde au sein d’un même guide d’ondes. Cependant, l’utilisation simultanée de plusieurs longueurs d’ondes dans un même tronçon de guide fait apparaître du bruit inter-canaux (inter-longueurs d’ondes). Ce bruit engendre des dégradations des signaux (diminution du rapport signal sur bruit) et conduit à la nécessité d’augmenter la puissance d’émission du signal optique afin de garantir un taux d’erreur de transmission en respect avec les contraintes d’applications. Ce dernier point est bien évidemment antagoniste avec l’objectif initial qui consiste à réduire la consommation d’énergie globale du système.

Le travail de thèse adressera cette problématique et s’attachera à proposer des solutions innovantes basées sur une gestion efficace de ce média de communication particulier.

Objectifs du projet

L’objectif de cette thèse est de proposer l’utilisation de NoC optique pour une architecture multiprocesseurs hétérogènes supportant, en local, des algorithmes de machine learning afin de réaliser une prise de décision au sein du capteur. La puissance de calcul offerte par l’architecture permet d’envisager le déploiement d’une partie des traitements au sein du capteur plutôt que de rapatrier l’ensemble des informations, sachant que la partie transmission sans fil est coûteuse d’un point de vue énergétique. De plus, l’embarquement d’algorithmes de machine learning pour le contrôle de l’architecture offre une perspective de gestion mieux adaptée aux variations du contexte dans lequel se trouve le capteur.

Pour adresser l’ensemble de ces problématiques, des techniques d’adaptation dynamique permettant à cette interconnexion de s’adapter aux contraintes d’application seront développées.

Verrous technologiques

Ce projet adressera donc l’intégration de la photonique sur silicium pour proposer un support de communication énergétiquement efficace en vue de répondre à la demande croissante d’échanges de données dans des dispositifs conçus à partir d’architectures multi-cœurs. Ce type de support de communication sera un élément incontournable qui permettra une exploitation de la puissance de calcul sans que celle-ci ne soit bridée par des échanges d’informations lents et gourmands en termes de consommation énergétique. Il s’agira alors de définir des stratégies de gestion de la consommation du support de communication optique sur puce à partir d’une bonne connaissance du fonctionnement de celui-ci. Les verrous technologiques se situent au niveau de la gestion intelligente de ce support de communication innovant et prometteur pour les calculateurs hautes performances. Cette gestion intelligente couvrira les aspects matériels et logiciels des calculateurs.

Travaux à réaliser

Les travaux de cette thèse seront décomposés en trois grandes étapes qui sont les suivantes :

Mots-clés : photonique sur silicium, optimisation énergétique, compromis énergie- performance, architectures multi-cœurs hétérogènes, systèmes contraints énergétiquement, systèmes embarqués, interconnexions sur puces

Laboratoire : IRISA, équipe CAIRN https://team.inria.fr/cairn/

Démarrage : automne 2018

Contacts et candidatures

Les candidatures (CV, lettre de motivation, et résultats de master) doivent être adressées aux deux personnes ci-dessus.

Bibliographie de base

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.