Implémentation matérielle des modèles de calculs cellulaires

Hardware implementation of cell-inspired computational models

• Auteur / Autrice : Zeyi Shang
• Direction : Serghei Verlan, Gexiang Zhang
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 16/12/2020
• Etablissement(s) : Paris Est en cotutelle avec Southwest Jiaotong University
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'algorithmique, complexité et logique (Créteil) - Laboratoire d'Algorithmique Complexité et Logique / LACL
• Jury : Président / Présidente : Nadia Lynda Mokdad
• Jury : Examinateurs / Examinatrices : Serghei Verlan, Gexiang Zhang, Henry N Adorna, Thomas Hinze, Tseren-Onolt Ishdorj, Xiantai Gou
• Jury : Rapporteurs / Rapporteuses : Henry N Adorna, Thomas Hinze, Tseren-Onolt Ishdorj

Mots clés

Mots clés contrôlés

Nanoréseaux (informatique)

Réseaux logiques programmables par l'utilisateur

Mots clés libres

Calcul non-Conventionnel

Modèle de calcul

Fpga

Implémentation matérielle

Unconventional computing

Model of computing

Fpga

Hardware implementation

Résumé

Le non-déterminisme et le parallélisme à grande échelle sont deux propriétés importantes des systèmes biologiques et écologiques. Il est donc naturel qu’elles soient héritées par les modèles de calculs bio-inspirés. Pour utiliser ces modèles en pratique il est important de pouvoir simuler leur fonctionnement. L’approche standard pour le faire consiste dans la réalisation des simulateurs logiciels, exécutées sur des ordinateurs conventionnels ce que met de côté les propriétés essentielles des systèmes visés, plus particulièrement le parallélisme à grande échelle.Une autre approche consiste dans la construction d’une plateforme matérielle in silico dont les circuits vont correspondre aux composants du modèle tout en gardant le fonctionnement parallèle à grande échelle. Pour faciliter le développement on utilise généralement des circuits logiques matériels reconfigurables, appelés FPGA, qui permettent un prototypage rapide des circuits matériels.Cette thèse s’articule autour de l’implémentation matérielle de deux modèles de calcul bio-inspirés : systèmes à réaction (RS) et des systèmes à membranes numériques (NPSLes systèmes à réaction sont une formalisation théorique des réactions biochimiques. Dans cette thèse on s’est intéressé à l’implémentation matérielle des systèmes à réaction à l’aide des FPGA. Pour tester notre approche nous avons implémenté des systèmes à réaction proposés pour la modélisation de la croissance des filaments intermédiaires, de la réponse au choc thermique dans les bactéries et du modèle du transduction du signal du récepteur ErbB dans les cellules épithéliales humaines. Ces implémentations ont permis d’atteindre la vitesse de calcul de 10^8 étapes/seconde et d’avoir une accélération de l’ordre 2,5x105 par rapport aux meilleurs simulateurs GPU existants.Les autres modèles de calcul considérés dans ce mémoire relèvent du domaine du calcul à membranes qui est un paradigme de calcul parallèle et quantitatif inspiré par la structure et le fonctionnement des cellules vivantes. Le fonctionnement du modèle sous-entend un parallélisme massif, sa simulation sur des ordinateurs conventionnels ou même GPU ne permet pas de tirer profit de cette propriété. Dans ce mémoire nous donnons un aperçu des méthodes d’implémentation existantes des différentes variantes des systèmes à membranes à l’aide des FPGA. Afin de pouvoir comparer les approches, nous avons représenté le problème calculatoire principal de ces implémentations (le calcul des règles applicables pour une configuration donnée) sous forme d’un problème d’optimisation multicritères.La suite du mémoire se concentre sur une variante particulière des systèmes à membranes, appelée systèmes à membranes numériques (NPS). Le modèle NPS et son extension ENPS ont des applications importantes dans le contrôle robotique. Nous avons montré des liens inattendus entre les NPS et les systèmes d’équations en différences finies.Nous avons également proposé une nouvelle extension du modèle (E)NPS, appelée GNPS, qui a pour but l’optimisation du codage des problèmes de contrôle robotique. En se fondant sur les résultats théoriques obtenus nous avons conçu une méthode d’implémentation des GNPS à l’aide des FPGA. Nous avons développé un contrôleur robotique à l’aide de GNPS et nous l’avons implémenté sur FPGA en utilisant la méthode proposée. En comparant avec une simulation sur GPU, notre implémentation a une accélération de l’ordre 10^4.Comme le modèle GNPS est par définition parallèle et comme son implémentation en FPGA préserve cette propriété, il devient intéressant de l’utiliser pour la résolution des algorithmes demandant beaucoup de calculs. Nous avons modélisé l’algorithme RRT pour la planification du mouvement. D’après les tests, l’accélération obtenue est de l’ordre 10^4.

Non-determinism and large-scale parallelism are the two characteristics of biological and ecological systems which are transmitted to bio-inspired computing models enlightened by these bio- or/and eco- systems. Imitating bio-inspired computing models on general purpose computers by executing specialized programs is the common approach to simulate these unconventional computing models. However, this approach is inappropriate to cope with the two properties mentioned above, especially for the parallelism on a large scale.A more preferable approach to imitate bio-inspired computing models is to design model-specific hardware platforms to implement rather than simulate them. This thesis concentrates on hardware implementation of two cell-inspired computing models: reaction systems and numerical P systems. Variants of these two models were implemented on the reconfigurable hardware—field programmable gate array (FPGA). The prominent strength of hardware implementation comparing with software implementation is its high performance rooted in the tailored parallel hardware architectures.Reaction systems is a theoretical framework for investigating biochemical reactions and their interactions in biological cells. It is a qualitative parallel computing model for reactions and their interactions taking place concurrently. To conceive the FPGA implementation method of reaction systems, the relationship between reaction systems and synchronous circuits is studied at first. It is found that the dynamics of a reaction system corresponds to the dynamics of a Mealy or Moore automaton of some synchronous circuit. Based on these observations, an FPGA implementation method for reaction systems is devised. According to this method, the reaction systems for intermediate filaments self-assembly and heat shock response are implemented on FPGA, which verify the correctness of this method. The calculation speed is up to 2x10^8 steps per second (the frequency is 200 MHz).Membrane computing is a parallel quantitative computing paradigm inspired by the membrane structure of biological cells and biochemical reactions inside. Membrane computing models are called P systems. Due to the limited parallel processing capability of CPU, software simulation of P systems cannot leverage their maximal parallelism. In this thesis, FPGA implementations of the cell-like symbol object P systems are summarized, and existing FPGA implementation methods are expounded at length. Object distribution problem (choosing which rules to apply) is the core problem of hardware implementation of symbol object P systems and it is NP hard. We represent this problem in terms of multi-criteria optimization in order to better compare existing implementations.This thesis also considers on a special type of cell-like P systems, called numerical P systems (NPS), focusing on its FPGA implementation and applications in robot control and path planning. The relationship between NPS and system of difference equations is studied. In order to expand the application field of NPS and facilitate FPGA implementation, they are extended to generalized numerical P system (GNPS).The FPGA implementation method of GNPS's programs, called FPGA step-wise parallel implementation of program (FSPIP) implementation method, is proposed. According to this method, the robot membrane controller based on NPS and GNPS are implemented. Compared with software simulation, the speedup obtained by the three NPSs implemented on FPGA is of order of 10^4.The maximal parallelism of GNPS is suitable to accelerate computationally intensive algorithms. The rapidly-exploring random tree (RRT) algorithm is modeled in the framework of GNPS, obtaining a RRT-GNPS model in which all parallel operations are calculated simultaneously, while sequential procedures are processed serially. Compared with software simulation, the FPGA hardened RRT-GNPS achieves a speedup of 10^4 order as well.