Gestion dynamique de consommation par un réseau de cliques neurales

The challenge of combining high-performance and energy efficiency is clearly present in today's electronics applications. This objective can be reached with Multiprocessor System-on-Chip (MPSoC) platforms that provide high-level of adaptability, performance, reliability and energy efficiency. Nevertheless, they have to be accompanied with a power management decision unit that continuously adapts their operation. This leads us to neural networks that can provide comparable properties to those of the cerebral cortex. We use an associative memory that relies on neural cliques to store information and sparse activity to retrieve it. We analyze these networks in power management applications using real-world data. We show that in order to be compatible with real-world applications, the initially proposed model of networks of neural cliques has to be improved. We propose several methods to do so within which the most efficient relies on a proposed concept of twin neurons. Sparse activity in these networks opens opportunities for low-power implementations. We show that neural cliques are more energy-efficient than power management solutions relying on game theory or Content-Addressable Memory (CAM). Furthermore, we propose a novel 3D interconnect approach for high-performance neural cliques' implementation. We show important gains in terms of total interconnect length and power consumption.Les applications microélectroniques d'aujourd'hui nécessitent de combiner haute performance et efficacité énergétique. Cet objectif est accessible grâce aux "Multiprocessor System-on-Chip" (MPSoC) qui fournissent un haut niveau d'adaptabilité, de performance, de fiabilité et d'efficacité énergétique. Néanmoins, ils doivent être couplés à des systèmes de décision et de gestion de la consommation qui adaptent en permanence leur mode de fonctionnement. Cela nous amène à considérer les réseaux de neurones, lesquels ont vocation à offrir des propriétés comparables à celles du cortex cérébral. Ils peuvent notamment servir comme mémoire associative, avec un processus de relecture très économe en énergie. Nous analysons ces réseaux dans des applications de gestion de l'alimentation, avec des données du monde réel. Nous montrons que pour être compatible avec des applications réalistes, le modèle de réseaux de cliques neurales initialement proposé doit être amélioré. Nous proposons plusieurs améliorations et présentons le concept de neurones jumeaux. L'activité parcimonieuse dans ces réseaux ouvre des opportunités pour des implémentations à faible consommation. Nous montrons que les cliques neurales sont plus efficaces en termes d'énergie que des solutions de gestion de l'alimentation reposant sur la théorie des jeux ou des "Content-Addressable Memory" (CAM). En outre, nous proposons une nouvelle approche d'interconnexion 3D pour l'implémentation physique de cliques neurales à haute performance. Nous montrons des gains importants en termes de longueur totale d'interconnexion et consommation d'énergie