Compression de données en temps réel à l'aide de l'apprentissage machine de pointe basé sur les FPGA pour l'instrumentation
Year: 2024
Type: dissertation
Abstract: Au cours de la dernière décennie, les avancées dans les détecteurs de radiation et de photons ont entraîné une augmentation spectaculaire des taux de génération de données, avec des expériences modernes produisant des téraoctets par seconde. Des exemples notables incluent le LINAC Coherent Light Source II (LCLS-II) au SLAC National Accelerator Laboratory et le CERN Large Hadron Collider (LHC), qui nécessitent tous deux des systèmes d’acquisition de données avancés pour gérer des flux de données massifs en temps réel. Les technologies de transmission de données actuelles, telles que PCIe et Ethernet, peinent à répondre à ces exigences en raison de limitations en termes de vitesse, de consommation d’énergie et de mise à l’échelle. L’augmentation du nombre de canaux de transmission et d’unités de traitement entraîne des coûts énergétiques plus élevés, une empreinte physique plus importante et une complexité globale accrue. L’objectif de cette thèse est de concevoir un système d’acquisition de données (DAQ) EdgeML sur FPGA, capable de compresser les données en temps réel sans compromettre les performances ou l’intégrité des données. Ce travail vise à surmonter les limitations des systèmes DAQ existants grâce à trois objectifs principaux : 1) Développer des modèles d’apprentissage automatique optimisés pour extraire avec précision les caractéristiques essentielles des données, garantissant ainsi une grande fidélité des données ; 2) Implémenter ces modèles sur des FPGA pour atteindre une latence sub-microseconde dans le traitement des données en temps réel, permettant une analyse rapide à la source ; et 3) Construire un système DAQ complet intégrant des techniques d’apprentissage automatique basées sur FPGA pour la compression, la transmission et le stockage des données. De plus, cette thèse propose un outil convivial de prédiction de latence et de ressources, conçu pour simplifier le déploiement de modèles d’apprentissage automatique sur FPGA pour les utilisateurs ayant une expertise matérielle limitée. Cet outil fournit des estimations précises des délais de traitement et de l’utilisation des ressources matérielles, permettant aux utilisateurs de configurer et d’optimiser efficacement les modèles ML sur les plateformes FPGA. En offrant des informations sur les exigences en matière de latence et de ressources, l’outil aide les utilisateurs à sélectionner des configurations de modèles appropriées et à équilibrer les performances avec les contraintes de ressources, facilitant ainsi une utilisation plus efficace des capacités FPGA dans les systèmes d’acquisition de données complexes. En fournissant une solution flexible, évolutive et économe en énergie, cette recherche répond aux exigences croissantes des environnements de données à haut débit et à fort volume dans l’instrumentation scientifique. Le système proposé, basé sur FPGA, réduit non seulement la latence et la consommation d’énergie, mais améliore également l’évolutivité et les capacités de gestion des données à la périphérie, contribuant aux efforts actuels pour traiter des flux de données massifs générés par des détecteurs avancés et des expériences scientifiques à grande échelle.
Author: Rahimifar, Mohammad Mehdi
Language: English
Subfield: Control and Systems Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: green
Award: G6795123695
OpenAlex ID: W7197080549
