| KEYWORD |
Valutazione dell'affidabilita dei trasferimenti di memoria nei microcontrollori RISC-V
Parole chiave AFFIDABILITA', APPRENDIMENTO PROFONDO, ARTIFICIAL INTELLIGENCE, INIEZIONE, RETI NEURALI CONVOLUZIONALI, TESTING
Riferimenti DANIELE JAHIER PAGLIARI, ANNACHIARA RUOSPO, EDGAR ERNESTO SANCHEZ SANCHEZ
Riferimenti esterni ALESSIO BURRELLO
Gruppi di ricerca DAUIN - GR-05 - ELECTRONIC CAD and RELIABILITY GROUP - CAD, DAUIN - GR-06 - ELECTRONIC DESIGN AUTOMATION - EDA
Tipo tesi SPERIMENTALE, SVILUPPO SOFTWARE
Descrizione La continua evoluzione delle reti neurali ha portato ad un aumento significativo dell'utilizzo di microcontrollori per implementare algoritmi di intelligenza artificiale direttamente a bordo dei dispositivi embedded. Tuttavia, e di fondamentale importanza valutare l'affidabilita di tali sistemi, poiche errori o guasti durante l'esecuzione possono causare gravi conseguenze in diversi scenari applicativi definiti safety-critical, come l'automazione industriale, la guida autonoma e la sicurezza dei dispositivi medici. Pertanto, e fondamentale analizzare l'impatto di potenziali guasti hardware su reti neurali implementate su microcontrollori, e, conseguentemente sviluppare metodologie per mitigarne l?effetto.
Obiettivo:
Il presente lavoro di tesi si propone di studiare l'impatto di guasti che impattano il trasferimento dei dati in un microcontrollore. In particolare, l'obiettivo e valutare come questi possano influenzare le prestazioni e l'affidabilita delle reti neurali in termini di accuratezza, tempi di esecuzione e robustezza alle perturbazioni. Inoltre, si intende sviluppare un modello di simulazione per riprodurre tali guasti e valutare il comportamento del sistema in condizioni controllate.
Metodologia:
- Studio dell'architettura del microcontrollore e dell'implementazione delle reti neurali su di esso
- Analisi e identificazione di un nuovo metodo di iniezioni di guasti sul Direct Memory Access (DMA) del microcontrollore
- Progettazione e implementazione di un sistema sperimentale per valutare l'impatto di tali errori sulle reti neurali
- Raccolta dei dati sperimentali attraverso la simulazione di scenari realistici con diverse configurazioni di errori e parametri di rete
- Analisi delle prestazioni delle reti neurali mediante la valutazione delle metriche di accuratezza, tempi di esecuzione e robustezza alle perturbazioni
- Creazione di un modello di simulazione che riproduca gli errori sul DMA e permetta di valutare l'impatto sulle reti neurali in modo controllato
- Validazione del modello di simulazione confrontando i risultati ottenuti dalla simulazione con quelli sperimentali
- Discussione e interpretazione dei risultati ottenuti, evidenziando le implicazioni pratiche e le possibili strategie di mitigazione dei guasti.
Conoscenze richieste Sono richieste buone capacita di programmazione in C e Python. E? richiesta la conoscenza di base delle architetture dei calcolatori e dei sistemi embedded. E? richiesta anche la conoscenza del deep learning e dei corrispondenti modelli. E? inoltre utile (ma non strettamente necessaria) una minima familiarita con i concetti alla base del testing e della fault tolerance.
Scadenza validita proposta 31/12/2023
PROPONI LA TUA CANDIDATURA