Mes perspectives de recherche à court terme consistent à naliser les projets en cours ou qui commencent (voir le chapitre précédent). Il est notamment nécessaire de proposer des projets de recherche (et d'obtenir leurs nancements) dans le contexte de la chaire ERA-COEL. Les lignes qui suivent résument quelques idées sur lesquelles un tel projet pourrait être construit.
Diverses barrières technologiques (p. ex. la n de la loi de Dennard, di cultés avec la loi de Moore) appellent au développement de nouvelles applications, algorithmes et architec-tures a n de pouvoir tenir les promesses en performances et consommation énergétiques des diérents éléments de la prochaine génération de la chaine d'information (des données issues des capteurs à la connaissance générée par et stockée sur les serveurs). Par exemple, le document de vision du partenariat publique privée 5G (qui couvre toute cette chaîne) est de diviser la consommation de manière drastique (1/10 X) tout en améliorant d'autres facteurs tels que la latence de bout en bout (1/5 X) ou la densité d'objets connectés (1000 X). [24]. En parallèle, d'autres documents tentent d'établir les grandes lignes de l'évolution de la conception matérielle/logicielle [25], des systèmes embarqués [26] et de la convergence entre ceux-ci et le calcul haute performance [27] [28].
Parmi les nouvelles approches avancées dans la littérature, il a été récemment proposé d'utiliser le calcul transitoire (transient computing) pour faire face à la nature intermit-tente de l'énergie dans les réseaux de capteurs sans l dont les n÷uds sont alimen-tés uniquement par récolte d'énergie (sans batterie ni super-condensateurs). Ce genre d'approche est rendue possible notamment grâce aux technologies mémoires non-volatiles FRAM et MRAM. Des exemples récents de méthodes logicielles qui exploitent cette technologie pour implanter des méthodes de sauvegarde et de reprise des calculs qui sont soit répétitives, soit ad-hoc (c.a.d initiées en fonction des variations de la tension d'alimentation) inclus [29], [30] et [31]. D'autres approches comme [32] utilisent des méthodes de gestion dynamique de la tension et de la fréquence pour traiter ce problème de manière plus proactive et ne, c.a.d ralentir les calculs (et donc diminuer la puissance requise) lorsque la puissance disponible baisse (mais reste au-dessus du seuil), permettant ainsi un mode de fonctionnement dégradé mais interrompu moins souvent.
D'autres travaux [33], [34], [35] proposent divers mécanismes au niveau matériel dans les microprocesseurs a n de réduire le surcoût logiciel des méthodes précédentes.
En parallèle, diverses approches de calcul approximatif [36] ont été mise en place, non pas pour faire face au matériel fautif (p. ex. correction d'erreurs), mais pour réduire la complexité algorithmique et architecturale (a n de réduire la consommation) au prix de résultats imparfait [37], [38].
Un exemple de méthode de calcul approximatif appliquée aux réseaux de capteurs sans l est présentée dans [39]. Il s'agit de compresser des signaux biomédicaux de manière approximative (possible car pour certains de ces signaux il existe une certaine tolérance). Appliquée à un système de surveillance d'électrocardiogramme, la méthode permet une réduction signi cative du volume de données à transmettre et donc une activité radio réduite et ainsi une réduction de la consommation.
Une approche lean sensing est présentée dans [40]. Ici il ne s'agit pas de compresser le signal, mais d'accepter (pour certaines applications) que des données sont manquantes (p. ex. capteurs éteints par manque dénergie), ce qui comme pour l'exemple précédent conduit à une réduction de la consommation. La diérence ici est que des méthodes de reconstruction (corrélations spatiale (avec les données des n÷uds voisins) et temporelle (historique des données)) sont utilisées du côté serveur.
Il me semble opportun d'aller plus loin sur ces pistes, notamment parce que les méth-odes proposées sont limitées à un ou deux niveaux d'abstraction et n'ont pas encore été exploitées de manière conjointe.
Il s'agirait donc d'identi er les types de modèles (niveau d'abstractions, précision, justesse) et de proposer des techniques permettant de combiner ces deux méthodes, dans un premier temps niveau par niveau et ensuite de manière cross-layer.
Il s'agirait aussi de proposer une méthode d'exploration de l'espace de conception (interac-tion applica(interac-tion-algorithme-architecture, notamment la nature dynamique d'une approche conjointe de calcul transitoire et approximatif) pour comparer les solutions faisant appel aux points précédents.
Pour ce faire, il faudrait entre autres caractériser la tolérance aux erreurs et aux ralen-tissements et interruptions des applications, p. ex. en fonction de la précision, justesse, QoS souhaités ou requis.
À cela, j'envisage aussi d'explorer la possibilité et l'exploitation du partage coopératif et opportuniste d'énergie entre les n÷uds (p. ex. transfert RF) dans un même réseau ou entre réseaux voisins [41].
Une autre question qui me semble importante est la distribution des calculs dans les réseaux, à savoir sur les n÷uds ou très proches d'eux (edge computing), les équipements intermédiaires (p. ex. passerelles et routeurs) (fog computing) et les serveurs (cloud computing) a n de trouver des compromis entre puissance de calcul, consommation én-ergétique, bande passante et latence.
En n, et pour faire le lien entre la question précédente et mes perspectives à plus long terme, il me semble opportun de suivre les développements visant à implanter des ap-proches d'apprentissage automatique directement sur les unités de calculs dans les sys-tèmes embarqués [42].
13.2 À plus long terme
Sans me lancer dans des prédictions futuristes de type singularité technologique, je liste ici quelques-unes des grandes tendances dans lesquelles je pourrait éventuellement trouver, à plus long terme, des problèmes à résoudre et/ou des pistes de solutions à exploiter pour résoudre ces problèmes.
Sur le plus long terme, la recherche au sein des universités dépendra très largement (et sans doute uniquement) de l'obtention de nancements externes et donc des opportunités de coopération, notamment avec les entreprises1, ce qui explique aussi qu'à ce stade je ne rentre pas davantage dans les détails.
• Au niveau application : les grands thèmes qui me motivent sont la santé et l'environne-ment. Pour le premier, les applications que j'imagine viser incluent la prévention et la détection des maladies ainsi que l'aide à la personne via les TIC. Pour le second, les applications qui m'intéressent sont la réduction de la consommation énergétique au sens large (optimisation des activité humaines via les TIC) mais aussi au sens technologique (obtenir un bilan énergétique positif entre les gains obtenus et la pollution générée par les TIC elles-mêmes). Le point commun entres ces thèmes (et les autres) est la tendance marquée pour le big data, allant des capteurs à la connaissance2.
• Au niveau algorithme : a n de pouvoir réaliser les applications ci-dessus, il ap-paraît nécessaire de développer de nouvelles méthodes et algorithmes pour traiter et exploiter les données. La tendance à ce niveau tourne autour des méthodes d'apprentissages automatiques, entre autres apprentissage profond, y inclus en ver-sion embarquée (rendue possible grâce à aux nouvelles technologies matérielles ci-dessous), potentiellement combiné avec des approches de type calcul direct sur les données compressées.
• Au niveau architecture : mise en ÷uvre et exploitation de nouvelles technologies pour faire face aux demandes de calculs, transmissions et stockages liées au big data tout en réduisant, ou du moins en maîtrisant la consommation énergétique. Ces tech-nologies incluent : les SoC hétérogènes à techtech-nologies FinFETs, FDSOI, graphènes et suivantes ; la montée des interconnections photoniques à tous les niveaux (de l'infrastructure réseau jusqu'aux liens de communication intra et inter-puces) ; les mémoires non-volatiles et le calcul au sein des mémoires in-memory compute.
1Dont la participation est de plus en plus essentielle dans l'obtention de nancements de type H2020 ; voir aussi le poids grandissant de groupes tels que Google
2Et de manière sans doute utopique, à la sagesse. 173