Improving the Energy Efficiency for Signal Processing and Machine Learning Algorithms Using Unreliable Memories

RÉSUMÉ Le traitement du signal et les algorithmes d’apprentissage automatique sont désormais au cœur de notre monde numérique. Leur utilisation s’étend à de nombreux domaines tels que la navigation, les systèmes de communication numérique, ou encore le suivi médical. Cela a conduit à une forte augmentation de la consommation énergétique globale du secteur des technologies de l’information et de la communication. De plus, le nombre d’appareils à faible consommation d’énergie et fonctionnant sur batterie a également considérablement augmenté ces dernières années. Ces appareils nécessitent un haut niveau d’efficacité énergétique pour pouvoir exécuter les algorithmes les plus modernes. Pour répondre à ces problématiques, de nouvelles technologies ont été développées pour concevoir des mémoires plus économes en énergie, étant donné que la mémoire est responsable de la majorité de la consommation d’énergie d’un système électronique. Cependant, certaines de ces mémoires à faible consommation d’énergie ont pour inconvénient d’introduire un manque de fiabilité dans le système. Dans cette thèse, nous étudions comment réduire la consommation d’énergie des algorithmes de traitement du signal et d’apprentissage automatique en utilisant des mémoires peu fiables et efficaces en énergie. Notre objectif est de minimiser l’effet du bruit sur l’algorithme étudié tout en essayant de réduire autant que possible la consommation énergétique de la mémoire. Ainsi, nous développons une méthodologie de réduction d’énergie applicable à différents algorithmes et technologies de mémoire. En utilisant notre modélisation des erreurs, nous effectuons d’abord une analyse théorique de l’effet des erreurs de mémoire sur les calculs. Nous proposons des équations liant la performance de l’algorithme étudié aux paramètres déterminant le niveau d’erreur et la consommation énergétique de la mémoire. Étant donné que ces paramètres contrôlent le compromis entre la consommation d’énergie du système et la performance de l’algorithme, nous formulons et résolvons un problème d’optimisation pour trouver l’ensemble optimal de paramètres qui minimise la consommation d’énergie de la mémoire tout en satisfaisant une contrainte de performance. Nous appliquons d’abord cette méthodologie aux filtres de Kalman quantifiés. Nous considérons l’utilisation d’une mémoire dont la tension d’alimentation peut être réduite, au prix d’une augmentation du taux d’erreur sur les bits. Nous considérons que la quantification et les mémoires non fiables introduisent des erreurs dans les calculs, et nous développons un modèle de propagation des erreurs qui prend en compte ces deux sources d’erreurs.