Compression de données en temps réel à l'aide de l'apprentissage machine de pointe basé sur les FPGA pour l'instrumentation
- Date :
- Cet événement est passé.
- Type :
- Soutenance de thèse
- Lieu :
- Local P2-1002 de l’Institut interdisciplinaire d’innovation technologique (3IT)
Description :
Doctorant: Mohammad Mehdi Rahimifar
Directrice de recherche: Audrey Corbeil Therrien
Président du jury: Jean-Baptiste Michaud
Résumé: Au cours de la dernière décennie, les avancées dans les détecteurs de radiation et photoniques ont conduit à une augmentation spectaculaire des taux de génération de données, atteignant des téraoctets par seconde dans des expériences modernes comme le LCLS-II et le LHC. Les technologies actuelles de transmission de données, telles que PCIe et Ethernet, rencontrent des limites en termes de vitesse, de consommation énergétique et de scalabilité. Cette thèse vise à concevoir un système d’acquisition de données (DAQ) basé sur FPGA et EdgeML, capable de compresser les données en temps réel sans compromettre leur intégrité ni leurs performances. Les objectifs incluent : 1) le développement de modèles ML optimisés pour extraire fidèlement les caractéristiques essentielles des données ; 2) l’implémentation de ces modèles sur FPGA pour un traitement en temps réel avec une latence sub-microseconde ; et 3) la création d’un système DAQ intégrant compression, transmission et stockage des données. Un outil prédictif convivial est également introduit, permettant d’estimer la latence et l’utilisation des ressources, facilitant ainsi le déploiement des modèles ML sur FPGA. Cette recherche propose une solution flexible, scalable et économe en énergie pour répondre aux besoins croissants des environnements de données à haute vitesse, contribuant à une gestion plus efficace des flux massifs générés par des détecteurs avancés.
Doctorant: Mohammad Mehdi Rahimifar
Directrice de recherche: Audrey Corbeil Therrien
Président du jury: Jean-Baptiste Michaud
Résumé: Au cours de la dernière décennie, les avancées dans les détecteurs de radiation et photoniques ont conduit à une augmentation spectaculaire des taux de génération de données, atteignant des téraoctets par seconde dans des expériences modernes comme le LCLS-II et le LHC. Les technologies actuelles de transmission de données, telles que PCIe et Ethernet, rencontrent des limites en termes de vitesse, de consommation énergétique et de scalabilité. Cette thèse vise à concevoir un système d’acquisition de données (DAQ) basé sur FPGA et EdgeML, capable de compresser les données en temps réel sans compromettre leur intégrité ni leurs performances. Les objectifs incluent : 1) le développement de modèles ML optimisés pour extraire fidèlement les caractéristiques essentielles des données ; 2) l’implémentation de ces modèles sur FPGA pour un traitement en temps réel avec une latence sub-microseconde ; et 3) la création d’un système DAQ intégrant compression, transmission et stockage des données. Un outil prédictif convivial est également introduit, permettant d’estimer la latence et l’utilisation des ressources, facilitant ainsi le déploiement des modèles ML sur FPGA. Cette recherche propose une solution flexible, scalable et économe en énergie pour répondre aux besoins croissants des environnements de données à haute vitesse, contribuant à une gestion plus efficace des flux massifs générés par des détecteurs avancés.