Modeling the faulty behaviour of digital designs using a feed forward neural network based approach

Résumé

Les rayons cosmiques sont une source d’erreurs douces pour les circuits numériques. Dans le domaine aéronautique, aux altitudes des aéronefs, le flux de neutrons provenant des radiations cosmiques est plus élevé qu’au niveau de la mer. Il est donc utile d’étudier le comportement fautif d’un circuit avant son implémentation afin d’analyser sa robustesse en présence de pannes. Le but de cette recherche consiste à développer une approche pour la modélisation du comportement fautif des circuits numériques. Cette approche peut être appliquée tôt dans le flot de conception avant l’étape de fabrication. Pour ce faire, nous devons tout d’abord extraire le comportement fautif du circuit à partir d’un modèle décrit à bas niveau en langage HDL. Ensuite, cette information est utilisée pour la phase apprentissage d’un réseau de neurones décrit en langage C/C++ ou MATLABTM. Le modèle résultant servira à reproduire le comportement fautif du circuit en présence de pannes. Cette approche est propice à un développement d’une bibliothèque basée sur des modèles fautifs représentés par un réseau de neurones. Cette bibliothèque serait utilisée au niveau Matlab/Simulink et pourrait regrouper plusieurs classes de circuits. L’analyse de fiabilité devient donc possible à haut niveau et l’étude complète d’un design comprenant des sousmodules préalablement caractérisés est à la portée du concepteur. La méthodologie développée dans le cadre de ce mémoire est basée sur des expérimentations effectuées sur deux circuits. Le premier est le ISCAS C17 avec lequel le comportement fautif a été généralisé par un réseau de neurones. Afin de valider notre méthodologie, les résultats ont été comparés avec une méthode préalablement développée basée sur génération de signatures. Par la suite, un multiplieur 4-bit est utilisé comme deuxième circuit plus élaboré. Les résultats de la modélisation du comportement fautif par réseaux de neurones montrent que la précision est augmentée comparativement à la méthode de génération de signatures. Pour le circuit C17, même en ne prenant que 30% des données générées par le simulateur de pannes LIFTING, le réseau de neurones est capable de reproduire le comportement fautif du circuit tout en préservant une erreur de modélisation sous les 6%.

Date	19 sept. 2014
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Jean-François Boland (Directeur(-trice)) & Yvon Savaria (Codirecteur(-trice))