Implantations matérielles



Participants : Frédéric Alexandre, Philippe Beylik, Yann Boniface, Laurent Bougrain, Claudio Castellanos Sanchez, Bernard Girau, Dominique Martinez, Olivier Rochel.

Dans le domaine de la parallélisation à grain fin, les spécificités des applications neuronales rendent souhaitable l'utilisation de circuits intégrés programmables (FPGA). Nos travaux dans ce domaine explorent plusieurs approches.

Les contraintes de taille et de topologie des supports matériels programmables nous ont notamment amenés à proposer un paradigme de calcul neuronal qui permette de définir naturellement des architectures de réseaux de neurones faciles à implanter sur circuit numérique programmable, grâce à un protocole de partage des connexions disponibles par un nombre important de connexions virtuelles [9].

D'autre part, nous avons fait une première étude de l'implantation sur FPGA de deux modèles connexionnistes utiles dans nos travaux de recherche en perception visuelle pour la robotique autonome ( cf. § 6.1) :

Enfin, avec l'aide d'un ingénieur associé INRIA (P. Beylik) nous débutons la conception d'un outil logiciel d'aide à l'implantation numérique programmable de réseaux de neurones. En effet, si l'utilisation de ces circuits se généralise, l'implantation de modèles connexionnistes y reste difficile pour un non spécialiste. Un outil de synthèse dédié aux réseaux de neurones est donc indispensable pour qu'un plus grand nombre d'utilisateurs bénéficient des apports de ces circuits dans le cadre du calcul connexionniste.

Pour ce qui concerne la parallélisation à gros grain, nous avons achevé le développement d'une bibliothèque de fonctions pour le langage C, permettant de concilier deux parallélismes distincts: le parallélisme à grain fin des réseaux de neurones et celui à gros grain des machines parallèles MIMD. Pour ce faire notre bibliothèque ( cf. § 5.1) propose aux utilisateurs des fonctions leur permettant une utilisation du parallélisme neuronal pour l'implantation de leurs modèles. La bibliothèque utilise ensuite, sans apport supplémentaire de la part du programmeur, les informations apportées par ce parallélisme connexionniste, à grain fin, pour effectuer l'implantation sur machines parallèles MIMD à mémoire partagée, implantation parallèle à gros grain. Par les fonctions proposées, notre simulateur veut être un outil de recherche d'aide au développement de nouveaux algorithmes connexionnistes. Son utilisation du parallélisme neuronal favorise notamment une algorithmique connexionniste distribuée [6] .

En termes de performances, l'implantation de diverses topologies connexionnistes et neuromimétiques nous a permis de constater deux propriétés de notre simulateur. Nous obtenons de bonnes performances sur des modèles répondant au modèle théorique, des modèles contenant un parallélisme intrinsèque, les modèles plutôt neuromimétiques. Les performances parallèles de la bibliothèque augmentent avec la charge de calcul, et donc la taille, du réseau implanté. Cet outil est ainsi plus particulièrement destiné à l'implantation, à l'utilisation et à l'étude des réseaux d'inspiration biologique, important domaine de recherche de notre équipe [7].

Nous finalisons actuellement le développement d'une interface graphique sur cette bibliothèque, interface principalement dédiée aux modèles neuromimétiques ( cf. § 5.3).

Enfin, nous mettons également en oeuvre l'implantation de ces mêmes modèles d'inspiration biologique sur la plate-forme robotique Koala. Nous avons en particulier développé les premières étapes du traitement de l'image et de l'asservissement des mouvements du robot ( cf. § 5.2).