Architectures Matérielles Tolérantes aux Fautes pour Algorithmes d'Intelligence Artificielle.

Les réseaux de neurones, utilisés dans de nombreux domaines, trouvent également leur place dans des environnements critiques tels que l’aérospatial, le médical ou la conduite autonome. Leur déploiement sur des systèmes embarqués pose des défis liés à la consommation énergétique, aux ressources matérielles limitées et à leur vulnérabilité aux perturbations, notamment les inversions de bits causées par les radiations, les défauts de fabrication ou le vieillissement des composants. Cette thèse propose une méthode d’évaluation de la robustesse des réseaux de neurones basée sur l’injection statistique de fautes, mise en œuvre dans l’outil SFI4NN, permettant de mesurer l’impact des perturbations sans exploration exhaustive. Une originalité de cette approche est l’analyse de la directionnalité des fautes, montrant que les inversions éloignant les valeurs de zéro sont les plus critiques, tandis que certaines couches et bits les plus significatifs sont sensibles. Plusieurs mécanismes matériels de protection ont été développés, tels que HTAG pour les formats flottants, VANDOR pour les représentations fixes et TVU, une approche hybride, qui exploitent cette asymétrie pour améliorer la fiabilité tout en limitant le coût matériel. Ces travaux soulignent l’importance de considérer la directionnalité des fautes pour concevoir des réseaux embarqués fiables et adaptés aux environnements critiques.