ETD

• artificial intelligence
• benchmarking
• coarse-grained reconfigurable array
• fault mitigation
• field programmable gate array
• hardware acceleration
• onboard processing
• reliability
• soft gpu
• space

Artificial Intelligence is being increasingly considered for a wide range of applications in space, including Earth Observation tasks and future autonomous missions. Executing Machine Learning tasks directly onboard offers significant advantages in bandwidth, latency, and operational costs. Despite this, the adoption of AI, especially in critical scenarios, is hindered by limited onboard resources, power budget, and stringent reliability requirements. ML algorithms are computationally intensive, requiring dedicated hardware accelerators that must provide high performance while meeting space system constraints. Reliability threats, such as Single Event Effects, pose major challenges and can compromise mission success, thus requiring robust strategies at both hardware and system levels. This work proposes strategies for dependable AI execution across low and high-criticality scenarios. As a short-term solution, the soft GPGPU paradigm emerges as a promising solution. It combines the flexibility and flight heritage of FPGAs with the computational strengths of GPUs to meet diverse mission requirements. As such, this thesis focuses on a soft GPU IP core architecture, namely GPU@SAT from IngeniArs S.r.l., detailing the reliability-enhancing strategies implemented and the development of a fault-tolerant SoC based on the IP. Looking beyond short-term solutions, the thesis also fosters the development of next-generation, reliable, and energy-efficient ASICs for space systems. To this end, the CGR-AI Engine is introduced as a novel CGRA-based processing platform that combines the programmability of a RISC-V with the reconfigurability of a CGRA processing matrix.

L’Intelligenza Artificiale è sempre più considerata per un’ampia gamma di applicazioni spaziali, tra cui l’osservazione della Terra e future missioni autonome. L’esecuzione di algoritmi di Machine Learning a bordo offre vantaggi significativi in termini di banda, latenza e costi operativi. Tuttavia, la sua adozione in scenari critici è limitata da risorse ridotte, vincoli energetici e stringenti requisiti di affidabilità. Gli algoritmi di ML sono computazionalmente intensivi e richiedono acceleratori hardware dedicati, capaci di garantire elevate prestazioni nel rispetto dei vincoli dei sistemi spaziali. Minacce come i Single Event Effects rappresentano sfide rilevanti e possono compromettere il successo della missione, richiedendo strategie robuste a livello hardware e di sistema. Questo lavoro propone soluzioni per un’esecuzione affidabile dell’IA in scenari a bassa e alta criticità. Nel breve termine, il paradigma soft GPGPU emerge come promettente, combinando la flessibilità e l’heritage delle FPGA con le capacità computazionali delle GPU per soddisfare requisiti di missione eterogenei. In tal senso, la tesi si concentra sulla soft IP core GPU@SAT di IngeniArs S.r.l., illustrando le tecniche di affidabilità adottate e lo sviluppo di un SoC fault-tolerant. Guardando oltre le soluzioni a breve termine, questa tesi promuove inoltre lo sviluppo di ASIC di nuova generazione, affidabili ed efficienti dal punto di vista energetico, per sistemi spaziali. A tal fine, viene introdotto il CGR-AI Engine, una nuova piattaforma di elaborazione basata su CGRA che combina la programmabilità di RISC-V con la riconfigurabilità di una matrice di calcolo CGRA.