Opis projektu
Bezkompromisowy procesor nowej generacji wspomagający sztuczną inteligencję oferuje wyższą wydajność przy niższym zużyciu energii
W ostatnich latach głębokie sieci neuronowe (ang. „deep neural networks”, DNN), które potrafią symulować ludzkie zdolności percepcyjne, są stosowane z wielkim powodzeniem do rozwiązywania setek problemów w dziedzinie zdrowia, robotyki, finansów i gier. Chociaż osiągają one niezwykle wysoką dokładność dzięki zastosowaniu dużych i głębokich modeli, koszt związany z ich złożonością obliczeniową jest duży. Finansowany przez UE projekt Reexen ma na celu rozwiązanie temu problemu poprzez opracowanie niezwykle wydajnego procesora wspomagającego sztuczną inteligencję, wspierającego aplikacje brzegowe oparte na DNN. Technologia ta wykorzystuje mieszane układy scalone do obliczeń związanych z wnioskowaniem opartym na uczeniu głębokim, przełamując ograniczenia prawa Moore’a dotyczące tradycyjnych obwodów cyfrowych. Konstrukcja chipa umożliwia wykonywanie 30 bilionów operacji na wat na sekundę, co jest wartością znacznie wyższą niż w przypadku czysto cyfrowych akceleratorów sieci neuronowych.
Cel
"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."
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- nauki przyrodniczeinformatykasztuczna inteligencjarozpoznawanie obrazówrozpoznawanie obrazów
- inżynieria i technologiainżynieria elektryczna, inżynieria elektroniczna, inżynieria informatycznainżynieria elektronicznaczujniki
- inżynieria i technologiainżynieria elektryczna, inżynieria elektroniczna, inżynieria informatycznainżynieria elektronicznarobotyka
- nauki przyrodniczeinformatykanauka o danychprzetwarzanie danych
- nauki przyrodniczeinformatykasztuczna inteligencjainteligencja obliczeniowa
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
Temat(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-SMEInst-2018-2020-1
System finansowania
SME-1 - SME instrument phase 1Koordynator
8001 Zurich
Szwajcaria
Organizacja określiła się jako MŚP (firma z sektora małych i średnich przedsiębiorstw) w czasie podpisania umowy o grant.