Exploration des architectures de mémoire des microcontrôleurs pour le calcul intermittent embarqué

Depuis l'émergence des réseaux de nœuds capteurs au début des années 2000, on constate un intérêt croissant dans de nombreux domaines, notamment l'environnement, l'agriculture, la santé, l'énergie ou l'industrie, avec diverses approches de détection/actionnement et de communication sans fil. La quantité croissante de données générées par ces nœuds a conduit à la distribution du traitement des données dans le réseau, en particulier pour des raisons de performance, d'énergie et de sécurité. Cette distribution augmente les besoins en traitement et stockage des données dans ces nœuds. Un nœud peut, par exemple, analyser les données collectées et déterminer la pertinence de transmettre l'information. Aujourd'hui, il semble possible d'aller jusqu'à l'intégration d'algorithmes plus sophistiqués, par exemple basés sur l’intelligence artificielle. Ainsi, notre objectif est d'optimiser l'efficacité énergétique des nœuds pour pouvoir augmenter leurs capacités de calcul et de stockage. Pour atteindre cet objectif, nous relevons trois défis.Le premier défi est de modéliser l'exécution d'une application dans un nœud de capteurs afin d’évaluer l'énergie de ses composants pour guider les futures optimisations. Pour cela, nous étudions l'architecture et le fonctionnement d'un nœud de capteurs afin de construire un modèle énergétique basé sur l'activité. Ces dispositifs embarquent un microcontrôleur (MCU) responsable du traitement et du stockage. Après avoir étudié l'architecture de ces MCU et la façon dont les mémoires non volatiles permettent diverses stratégies d'économie d'énergie, nous construisons un modèle énergétique basé sur l'activité du MCU permettant d'évaluer l'énergie de ses différentes parties pour l'exploration.Le deuxième défi est de trouver une solution pour l'évaluation de l'énergie et l'exploration de l'architecture à la fois au niveau des nœuds capteurs et des MCU. Nous proposons un prototype de nœud capteur basé sur un FPGA qui peut intégrer une large gamme d'applications. Une architecture de MCU avec un cœur RISC-V, des mémoires et des périphériques est implémentée sur un FPGA, qui est connecté à un capteur et une radio pour construire un nœud capteur fonctionnant en conditions réelles. L'architecture intègre un moniteur qui collecte l'activité des différents composants, qui par la suite est combinée aux modèles énergétiques pour évaluer leur consommation. Nous proposons deux applications, une application simple de type capteur de température et une application de type nœud intelligent basée sur l'intelligence artificielle. Avec cette plateforme, nous montrons que l'augmentation du traitement de données dans le nœud minimise sa consommation pour la communication, entrainant une augmentation de l'énergie pour le traitement et le stockage des données.Le dernier défi est de trouver dans ce contexte comment l'intégration de mémoires non volatiles (NVM) émergentes dans l'architecture des MCU peut aider à augmenter l'efficacité énergétique des nœuds capteurs. Nous proposons MemCork, un outil qui explore automatiquement les différentes technologies de mémoire, le dimensionnement et le positionnement des données afin de trouver les solutions les plus efficaces sur le plan énergétique pour une application donnée. Nous utilisons ensuite cet outil sur nos deux applications pour découvrir comment les technologies de mémoire émergentes peuvent aider à réduire la consommation des MCU.En résumé, cette thèse explore les compromis des applications de nœuds capteurs et comment les NVM émergentes peuvent être intégrées dans l'architecture des MCU pour augmenter l'efficacité énergétique des nœuds capteurs. Nous pensons que la méthode d'exploration proposée peut être utilisée pour réaliser d'autres optimisations des applications et des architectures au-delà de celles couvertes dans ce manuscrit. Nous espérons que nos résultats permettront de concevoir des nœuds capteurs intelligents et économes en énergie.Since the emergence of wireless sensor networks in the early 2000s, there has been a growing interest in many domains, including environment, agriculture, health, energy, or industry, with diverse sensing / actuating and wireless communications approaches. The ever-increasing amount of data generated by these end-node devices led to the distribution of data processing across the network, especially for performance, energy and security requirements (i.e., edge computing). This distribution increases sensor nodes' processing and storage requirements. A node can, for example, carry out statistics on the data collected and determine the relevance of transmitting the information. Today, it seems possible to go as far as the integration of more sophisticated algorithms, such as embedded machine learning inference. Thus, our objective is to optimise sensor nodes' energy efficiency to enable more computing and storage in these devices. To achieve this goal, we address three challenges.The first challenge is to model the execution of an application in a sensor node in order to be able to evaluate the energy of its components to guide future optimisation. For this, we study the architecture and operation of a sensor node to build an activity-based energy model. These devices embed a Microcontroller Unit (MCU) responsible for the processing and storage. After studying the architecture of these MCUs and how non-volatile memories enable energy-saving strategies, we build an activity-based energy model for MCU, enabling us to evaluate the energy of these different parts allowing architecture exploration.The second challenge is to find a solution for energy evaluation and architecture exploration at both the sensor node and MCU levels. To address it, we propose an FPGA-based sensor node prototype that can embed a wide range of applications. An MCU architecture with a RISC-V CPU core, memories and peripherals is implemented on an FPGA target, which is connected to a sensing and radio unit to build a real-life operating sensor node. The architecture embeds a monitoring unit that traces the activity of the different components at both levels. Thus, these activity traces allow us to evaluate the energy consumed by these different components. We propose two applications, a temperature-like sensor node application and an intelligent node-like one for keyword detection based on machine learning inference. With this platform, we show that intelligent radio use allows us to reduce the node's power consumption. In this context, the consumption of the MCU and more particularly during inactive phases becomes a significant part of the energy consumed by the node.The final challenge is to find in this context how the integration of emerging Non-Volatile Memory (NVM) in MCU architecture can help increase sensor nodes' energy efficiency. To this end, we propose MemCork, an MCU memory exploration tool. Based on the platform's output, the tool automatically explores different memory technologies, sizing, and data mapping to find the most energy-efficient solutions for a given application. We then use this tool on our two applications to find how emerging memory technologies can help reduce MCU energy.In summary, this thesis explores sensor nodes' communication/processing tradeoffs. It explains how emerging NVM can be integrated into MCU architecture to increase sensor node energy efficiency. We believe our exploration method can be used to perform further application-architecture co-optimisation beyond the ones covered in this manuscript. We hope our results will enable the design energy efficient smart sensor nodes