Projektbeschreibung
Prozessor mit künstlicher Intelligenz der nächsten Generation mit weltbestem Kompromiss zwischen Genauigkeit und Energieverbrauch
In den letzten Jahren wurden tiefe neuronale Netze, welche die menschliche Wahrnehmung simulieren können, mit großem Erfolg auf hunderte Probleme in den Bereichen Gesundheit, Robotertechnik, Finanzen und Spiele angewandt. Auch wenn sie unter Einsatz großer und tiefer Modelle eine ausgezeichnete Genauigkeit erreichen, sind die Kosten für ihre Berechnungskomplexität hoch. Das EU-finanzierte Projekt Reexen verfolgt das Ziel, diese Herausforderung mit der Entwicklung eines extrem effizienten Prozessors mit künstlicher Intelligenz zu bewältigen, der Edge-Computing-Anwendungen auf Basis tiefer neuronaler Netze unterstützt. Bei dieser Technologie werden Mixed-Signal-Schaltungen für Deep-Learning-Inferenz-Computing genutzt, womit die Grenzen des Mooreschen Gesetzes in traditionellen digitalen Schaltungen überwunden werden. Das Chipdesign gestattet 30 Billionen Operationen pro Watt pro Sekunde, was weitaus effizienter als Beschleuniger für neuronale Netze auf rein digitaler Basis ist.
Ziel
"Since the breakthrough application of Deep Neural Networks algorithms (DNNs) to speech and image recognition, the number of applications that use DNNs has exploded, achieving the highest accuracy in a myriad of contexts (health, robotics, finance, gaming, etc.). However, their superior accuracy comes at the cost of high computational complexity.
Current approaches to solve this challenge are cloud-based, incurring in high power consumption and high latency, given their communication needs. Although cloud approaches are suitable for some context, they are suboptimal for real-time applications running on embedded or mobile devices (with limited battery capacity and requiring fast responses).
REEXEN appears to bring a solution to this challenge: an extremely efficient AI processor (a semiconductor chip) specifically designed for supporting DNN-based edge applications. By exploiting state-of-the-art semiconductor technologies in mixed-signal circuits and in-memory processing, REEXEN obtains the best power-efficiency when executing DNN algorithms, in terms of maximum throughput per energy unit consumption (30 TOPs/W). By reducing the ""distance"" between data generation (sensors), data storage (memory) and data processing (core processor or nucleus), and by eliminating A/D conversions, REEXEN also achieves minimum latency (<10ms) and fabrication area, thus also reducing the overall cost of production.
REEXEN completely aligns with the EU approach to AI, as an enabling technology that will allow the development of current industry-transversal smart services and the implementation of future new ones.
Our company is 100% focused on developing next generation of ultra-low power neural network processors. From the successful results of our early prototyping for audio applications, REEXEN project will attract the best talent and additional financing to build the business around our technology and increase our company size, international presence and job generation."
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles SehenBilderkennung
- Technik und TechnologieElektrotechnik, Elektronik, InformationstechnikElektrotechnikSensoren
- Technik und TechnologieElektrotechnik, Elektronik, InformationstechnikElektrotechnikRobotertechnik
- NaturwissenschaftenInformatik und InformationswissenschaftenDatenwissenschaftenDatenverarbeitung
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche IntelligenzComputational Intelligence
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-SMEInst-2018-2020-1
Finanzierungsplan
SME-1 - SME instrument phase 1Koordinator
8001 Zurich
Schweiz
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).