Performance and Safety/Security Management in automotive and IoT applications

Management des performances de sûreté et de sécurité pour les applications automotives et IoT L'Apprentissage Automatique ou « Machine Learning » (ML) est l'un des sujets montants dans la Science des Données. Il est utilisé pour analyser et prédire les données en fonction des données précédemment observées et des actions ou réactions précédentes et agir selon un plan fixe. Le ML permet aux ordinateurs de rechercher et d'identifier les informations cachées lorsqu'ils sont exposés à de nouveaux ensembles de données. Dans le même temps, un énorme changement est en cours dans la Conception Matérielle, porté par le défi croissant de fournir de bonnes performances et une faible consommation d'énergie sans aucune pénalité en termes de fiabilité et de vieillissement. Le vieillissement est tout à fait normal tant pour les humains et les Circuits Intégrés (CI). Les effets u vieillissement réduisent la durée de vie d'un circuit intégré. De nombreuses recherches ont été effectuées pour compenser la perte de fiabilité due au vieillissement. Dans des conditions de fonctionnement normales, plusieurs facteurs affectent le vieillissement du circuit, tels que la température de tension de processus (PVT), l'injection de porteuse chaude (HCI), l'instabilité de la température de polarisation (BTI) et la panne diélectrique en fonction du temps (TDDB). Le BTI peut être subdivisé en Instabilité de température de polarisation négative (NBTI) et Instabilité de température de polarisation positive (PBTI).L'objectif principal de la thèse est de construire le modèle mathématique pour chaque porte complexe et les portes de base du circuit numérique entraînées avec des algorithmes d'apprentissage automatique pour s'attaquer aux problèmes de défaillance et de vieillissement de circuit susmentionnés. L'efficacité et la précision de la dégradation du retard des portes sont de plus en plus cruciales lors du passage à des technologies telles que le FDSOI 28 nm.Dans ce travail de recherche, nous avons développé et validé un cadre de vieillissement Machine Learning en plusieurs étapes:1. Grâce à une analyse théorique, nous avons développé un modèle de vieillissement par apprentissage automatique pour les portes universelles dans les technologies cibles FDSOI 28n;2. Nous avons entrainé le modèle à l'aide des données de porte NAND et NOR fournies par les fondeurs et l'avons validé par rapport à la simulation Spice avec un taux d'erreur minimum;3. Grâce à une approche appelée Effort Logique, nous avons étendu ces résultats à n'importe quelle porte générique;4. Nous avons appliqué le cadre de vieillissement résultant à deux circuits de référence, un filtre FIR et un circuit numérique AES (Advanced Encryption Standard), et étudié leur comportement au vieillissement dans différentes conditions et charge de travail.5. À partir de là, nous avons développé et démontré plusieurs stratégies d'adaptation dynamique de tension et de fréquence tenant compte du vieillissement;6. Les moniteurs vieillissants sont souvent utilisés, mais leur placement est essentiel car ils doivent être instanciés sur les chemins critiques proches (NCP) qui sont plus sujets au vieillissement. Nous avons donc appliqué notre approche pour sélectionner le meilleur sous-ensemble NCP pour l'insertion du moniteur.Les résultats finaux démontrent la validité de l'approche proposée, reproduisant avec précision les données de la littérature avec juste une fraction des besoins de calcul des approches basées sur la simulation héritées.