Optimisation de l'IA en périphérie pour les systèmes critiques

Microchip lance le SDK VectorBlox 3.0 et son IP CoreVectorBlox associée pour rationaliser la compilation, l'optimisation et le déploiement de réseaux de neurones sur des réseaux de portes programmables in situ (FPGA). Cette chaîne d'outils répond aux exigences d'ingénierie spécifiques liées à la mise en œuvre de l'inférence de l'IA en périphérie (Edge AI) dans des environnements à mission critique et soumis à des contraintes d'énergie, couvrant les secteurs de l'aérospatiale, de la défense et de l'industrie.

Optimisation des réseaux de neurones convolutifs par la parcimonie
Le déploiement de l'intelligence sur les appareils périphériques nécessite de trouver un équilibre entre les performances de traitement et des limitations énergétiques strictes. Le kit logiciel mis à jour y parvient en prenant en charge les réseaux de neurones parcimonieux (sparse neural networks), une technique acquise auprès de Neuronix. Cette compression de modèle basée sur la parcimonie permet au matériel d'omettre les calculs de valeur nulle lors de l'exécution de CNN basés sur la vision.

En réduisant la charge de calcul globale et l'utilisation de la mémoire, le système accélère les vitesses d'inférence tout en réduisant simultanément la consommation d'énergie. L'accélérateur évolue en fonction de la taille du modèle et prend en charge la consolidation de multiples charges de travail d'IA basées sur la vision ou les capteurs sur un seul FPGA basse consommation, déployant avec succès des modèles complexes en périphérie sans sacrifier la précision.

Base matérielle et mécanismes de fiabilité
Le logiciel s'intègre directement à la suite de conception Libero SoC et s'appuie sur les FPGA et SoC PolarFire comme base matérielle. Ces appareils de milieu de gamme utilisent une architecture non volatile qui offre une résistance inhérente aux perturbations isolées (Single Event Upsets - SEU), une exigence essentielle pour les opérations continues en orbite terrestre basse (LEO) où la tolérance aux radiations est obligatoire. Le matériel intègre également des protocoles de démarrage sécurisé et de protection contre les altérations pour garantir l'intégrité des données et la résilience du système sur de longs cycles de vie opérationnels dans des environnements difficiles.

Cas d'utilisation dans les applications aérospatiales et déploiement orbital
Les premières implémentations de cette combinaison matérielle-logicielle se sont concentrées sur les opérations satellitaires. Planetek Italia a intégré le framework d'accélération pour ses services SPACEDGE à bord du satellite AI-eXpress-1, lancé en 2025. Le système gère le traitement de l'observation de la Terre en temps réel, exécutant la détection d'objets et l'analyse sémantique de scènes directement à la périphérie afin de générer des données exploitables avant la liaison descendante. Ce pipeline d'IA embarqué assure des opérations de charge utile à faible latence tout en maintenant la fiabilité opérationnelle nécessaire aux environnements LEO.

Cette infrastructure orbitale prend également en charge le SPNv2, un réseau de pose d'engin spatial conçu pour estimer la position et l'attitude à l'aide de données de vision. Cette capacité facilite la navigation autonome et les opérations à courte portée, notamment les rendez-vous, l'amarrage et l'élimination des débris spatiaux. De même, AIKO a utilisé la plateforme pour sa suite clear_CHARLES, un système spatial défini par logiciel. Ce déploiement permet des opérations de charge utile adaptatives en détectant de manière autonome les nuages et les navires directement depuis l'orbite, contournant ainsi le besoin d'une intervention continue au sol.

Contexte supplémentaire
Cette section détaille les spécifications techniques et l'analyse comparative de la concurrence qui ne figurent pas dans le communiqué de presse original.

Sur le marché de l'IA en périphérie basée sur FPGA, les principaux critères d'évaluation comprennent la consommation d'énergie statique, la tolérance aux radiations et les TOPS (téra-opérations par seconde) pris en charge. Les chaînes d'outils comparables incluent Vitis AI d'AMD pour les appareils Zynq UltraScale+ et OpenVINO d'Intel pour les FPGA Cyclone et Agilex.

Bien que les plateformes AMD et Intel offrent souvent des TOPS de pointe absolus plus élevés pour les charges de travail d'IA intensives, elles s'appuient sur des architectures basées sur la SRAM. Les configurations SRAM sont extrêmement sensibles aux basculements de bits (bit flips) induits par les radiations dans les environnements à haute altitude ou orbitaux, ce qui oblige les développeurs à mettre en œuvre une triple redondance modulaire (TMR) complexe ou des contrôleurs d'épuration externes. L'architecture PolarFire utilise une mémoire de configuration non volatile SONOS (silicium-oxyde-nitrure-oxyde-silicium). Cette conception basée sur le flash offre une immunité SEU inhérente sans nécessiter de circuit d'atténuation externe, ce qui permet de réduire la consommation d'énergie statique. Par conséquent, l'analyse comparative de cette solution favorise les charges utiles de satellites et les nœuds industriels distants où les contraintes de faible puissance absolue et de résilience aux radiations l'emportent sur la capacité de traitement de pointe.

Publié avec l’assistance de l’IA par Aishwarya Mambet, rédactrice pour Induportals.

www.microchip.com