Obiettivo
Deep Learning (DL) algorithms are an extremely promising instrument in artificial intelligence, achieving very high performance in numerous recognition, identification, and classification tasks. To foster their pervasive adoption in a vast scope of new applications and markets, a step forward is needed towards the implementation of the on-line classification task (called inference) on low-power embedded systems, enabling a shift to the edge computing paradigm. Nevertheless, when DL is moved at the edge, severe performance requirements must coexist with tight constraints in terms of power/energy consumption, posing the need for parallel and energy-efficient heterogeneous computing platforms. Unfortunately, programming for this kind of architectures requires advanced skills and significant effort, also considering that DL algorithms are designed to improve precision, without considering the limitations of the device that will execute the inference. Thus, the deployment of DL algorithms on heterogeneous architectures is often unaffordable for SMEs and midcaps without adequate support from software development tools.
The main goal of ALOHA is to facilitate implementation of DL on heterogeneous low-energy computing platforms. To this aim, the project will develop a software development tool flow, automating:
• algorithm design and analysis;
• porting of the inference tasks to heterogeneous embedded architectures, with optimized mapping and scheduling;
• implementation of middleware and primitives controlling the target platform, to optimize power and energy savings.
During the development of the ALOHA tool flow, several main features will be addressed, such as architecture-awareness (the features of the embedded architecture will be considered starting from the algorithm design), adaptivity, security, productivity, and extensibility.
ALOHA will be assessed over three different use-cases, involving surveillance, smart industry automation, and medical application domains
Campo scientifico
Not validated
Not validated
- natural sciencesphysical sciencesastronomyspace exploration
- natural sciencescomputer and information sciencesinternetinternet of things
- social sciencessociologyindustrial relationsautomation
- natural sciencescomputer and information sciencessoftwaresoftware development
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
Parole chiave
Programma(i)
Argomento(i)
Meccanismo di finanziamento
RIA - Research and Innovation actionCoordinatore
20864 Agrate Brianza
Italia
Mostra sulla mappa
Partecipanti (15)
09124 Cagliari
Mostra sulla mappa
1012WX Amsterdam
Mostra sulla mappa
2311 EZ Leiden
Mostra sulla mappa
8092 Zuerich
Mostra sulla mappa
07100 Sassari
Mostra sulla mappa
1100 WIEN
Mostra sulla mappa
Partecipazione conclusa
08940 Cornella De Llobregat Barcelona
Mostra sulla mappa
Soggetto giuridico diverso da un subappaltatore che è affiliato o legalmente collegato a un partecipante. Il soggetto svolge le attività secondo le condizioni stabilite nell’accordo di sovvenzione, fornisce beni o servizi per l’azione, ma non ha sottoscritto l’accordo di sovvenzione. Una terza parte rispetta le regole applicabili al suo partecipante correlato ai sensi dell’accordo di sovvenzione per quanto riguarda l’ammissibilità dei costi e il controllo delle spese.
Partecipazione conclusa
SL3 9LL Slough
Mostra sulla mappa
4232 HAGENBERG
Mostra sulla mappa
20152 Milano
Mostra sulla mappa
49527 Petach Tikva
Mostra sulla mappa
26500 Rio
Mostra sulla mappa
L’organizzazione si è definita una PMI (piccola e media impresa) al momento della firma dell’accordo di sovvenzione.
09128 Cagliari
Mostra sulla mappa
L’organizzazione si è definita una PMI (piccola e media impresa) al momento della firma dell’accordo di sovvenzione.
6706701 Tel Aviv
Mostra sulla mappa
L’organizzazione si è definita una PMI (piccola e media impresa) al momento della firma dell’accordo di sovvenzione.
08002 Barcelona
Mostra sulla mappa