• FDIR
• FPGA
• hardware accelerator
• satellite
• recurrent neural networks

Negli ultimi anni, le tecniche di Fault detection isolation and recovery (FDIR) sono diventate sempre più importanti a causa dell'aumento della complessità e delle responsabilità dei sistemi moderni. Per dare sostegno a questo settore sono state sviluppate delle tecniche che utilizzano l'Intelligenza Artificiale (IA), che hanno il vantaggio di ridurre lo sforzo computazionale e il time-to-market.
L'obiettivo della tesi è di implementare su FPGA un sistema FDIR, che utilizza le Reti Neurali Ricorrenti, destinato al radar MARSIS (Mars Advanced Radar for Subsurface And Ionosphere Sounding), che è uno degli strumenti scientifici a bordo della sonda Mars Express lanciata nel 2003 dall’Agenzia Spaziale Europea (Esa), con lo scopo di mappare la distribuzione di acqua sul pianeta Marte.
A causa dell'elevato numero di operazioni e di parametri necessari per effettuare l'inferenza delle reti neurali, è stato necessario quantizzare i layer dei modelli di rete per poterli implementare su FPGA.
Il design è stato implementato sulla FPGA rad-hard Xilinx Kintex Ultrascale XQRKU060, che grazie alle sue caratteristiche di resistenza alle radiazioni è adatta a lunghe missioni spaziali, e sulla scheda di sviluppo Zynq Ultrascale+ ZCU106 per estrarre le principali metriche dell'acceleratore hardware e farne un confronto.
Inoltre sono state calcolate le metriche dei modelli di rete neurale originali (non quantizzati) su un dispositivo diverso da FPGA, in questo caso è stata utilizzata la NVIDIA Jetson Nano.
Lo svantaggio nell'utilizzo della FPGA è dato dall'utilizzo del modello di rete neurale quantizzato, che peggiora leggermente l'errore assoluto medio rispetto al modello originale.
Tuttavia, i tempi di inferenza e i consumi di potenza ottenuti su FPGA sono migliori rispetto a quelli della Jetson Nano, infatti, considerando uno dei modelli implementati sulla Kintex Ultrascale XQRKU060 si ottiene un consumo di 0.728W e un tempo di inferenza di 4.56us, mentre sulla Jetson Nano si hanno rispettivamente 2.522W e 833.72us.