Conception matérielle, sûreté de fonctionnement et sécurité des réseaux de neurones impulsionnels
Year: 2025
Type: dissertation
Abstract: La demande croissante pour une intelligence artificielle économe en énergie et en temps réel repousse les limites des architectures informatiques traditionnelles. En réponse à ce besoin, le calcul neuromorphique — inspiré par la structure et le fonctionnement du cerveau humain — s'impose comme un paradigme alternatif prometteur. Au cœur de cette approche se trouvent les réseaux de neurones impulsionnels (Spiking Neural Networks, ou SNNs), qui traitent l'information sous forme d'événements discrets, ouvrant la voie à un calcul asynchrone et à faible consommation, particulièrement adapté aux dispositifs embarqués, aux systèmes autonomes et aux applications sensorielles. Cette thèse explore les principaux défis associés à la transition des SNNs depuis des modèles théoriques vers des systèmes matériels pratiques et déployables. Contrairement aux modèles d'IA conventionnels, les SNNs fonctionnent avec une dynamique temporelle et selon une architecture non von Neumann, ce qui nécessite des approches fondamentalement différentes en matière de conception, de test et de sécurité des systèmes. Le travail est structuré autour de trois contributions principales abordant ces problématiques de manière intégrée. La première contribution propose une méthodologie innovante de test fonctionnel, spécifiquement conçue pour les architectures matérielles basées sur des SNNs. Les stratégies de test classiques s'avèrent insuffisantes en raison du caractère temporel et événementiel des SNNs. Cette thèse introduit une approche fondée sur l'optimisation, exploitant le comportement de spiking des neurones pour détecter efficacement les fautes sans recourir à une simulation exhaustive. Cette méthode permet une couverture de fautes élevée avec un effort de calcul réduit, comme en témoignent les résultats de simulation sur des benchmarks SNN reconnus ainsi qu'un déploiement sur une plateforme neuromorphique réelle : la puce Loihi d'Intel. La deuxième partie de la thèse s'intéresse aux risques émergents en matière de sécurité liés aux SNNs. Si leur architecture particulière permet un calcul efficace, elle expose également de nouvelles surfaces d'attaque. Deux types d'attaques adversariales — spécifiques à certaines entrées ou généralisables à plusieurs — sont développés et démontrent une grande efficacité pour perturber le comportement des SNNs dans des tâches visuelles et auditives. De plus, la thèse présente un hardware Trojan ciblant un unique neurone, pouvant être discrètement intégré dans les circuits SNN. Une fois activé, ce mécanisme déclenche des dysfonctionnements graves tout en restant indétectable en fonctionnement normal, révélant ainsi des vulnérabilités critiques des systèmes neuromorphiques. Enfin, la troisième contribution présente un cadre modulaire et configurable pour le déploiement de SNNs sur du matériel basé sur FPGA. Cette chaîne d'outils facilite la transformation de modèles neuronaux abstraits en circuits physiques, via une architecture en maillage extensible prenant en charge divers types de réseaux. En automatisant les étapes clés de la conception et en permettant la personnalisation matérielle, cette solution abaisse la barrière d'entrée pour les chercheurs et ingénieurs travaillant sur les modèles neuromorphiques. Le développement est en cours, avec une publication prévue en open source. Dans son ensemble, cette thèse contribue à faire progresser les fondations pratiques du calcul neuromorphique en renforçant la fiabilité, la sécurité et l'accessibilité des accélérateurs matériels SNN. Par ses apports interdisciplinaires, elle rapproche l'intelligence artificielle inspirée du cerveau d'un déploiement concret dans des environnements réels.
Source: theses.fr (ABES)
Author: Raptis, Spyridon
Institution: LIP6
Language: English
Subfield: Electrical and Electronic Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7136095871
Cites:
Cited by:
Related to: