Projektbeschreibung
Tiefe neuronale Netzwerke auf IoT-Geräten mit geringem Stromverbrauch zum Laufen bringen
Das Internet der Dinge und der rasante Siegeszug der künstlichen Intelligenz und des maschinellen Lernens haben vielfältige neue Herausforderungen entstehen lassen. Eine davon ist die Problematik, Deep-Learning-Algorithmen zwischen verschiedenen Hardwareplattformen auszuführen. Dieser Aspekt wurde bisher weitgehend mit Arbeitsabläufen auf der Grundlage von Zentraleinheiten (CPU) und Grafikprozessoren angegangen. Bei Geräten mit geringem Stromverbrauch wie etwa Smartphones, Uhren oder in Fahrzeugen, bei denen immer häufiger Deep-Learning-Inferenz zum Einsatz kommt, ist das jedoch nicht der Fall. Das EU-finanzierte Projekt hls4ml wird eine offene Softwarebibliothek entwickeln, die tiefe neuronale Netzwerke automatisch an elektronische Schaltkreise anpasst, indem hochwertige Syntheseinstrumente verwendet und die Ressourcennutzung reduziert werden.
Ziel
With Deep Learning becoming ubiquitous in our life, running Deep Learning algorithms in real time on an heterogeneous set of hardware platforms is a pressing need in many aspects of our society. While traditional workflows based on standard CPUs and GPUs are established, Deep Learning inference on low-power devices (e.g. cars, smart phones, watches, etc) is gaining more attention. Typically, this would require strong background in electronic engineering to convert a neural network into a Digital Signal Processor. We propose to develop a complete open-software library to automatically convert Deep Neural Networks to electronic circuits, using High Level Synthesis tools. With a large basis of potential applications (e.g. autonomous cars, medical devices, portable monitoring devices, custom electronics as in the real-time data processing system of large-scale scientific experiments, etc.), the hls4ml library would assists users by automatising the logic circuit design as well as by reducing resource utilisation while preserving accuracy.
Wissenschaftliches Gebiet
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.
- engineering and technologymechanical engineeringvehicle engineeringautomotive engineeringautonomous vehicles
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectronic engineering
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
- natural sciencescomputer and information sciencesdata sciencedata processing
- natural sciencescomputer and information sciencesartificial intelligencecomputational intelligence
Schlüsselbegriffe
Programm/Programme
Finanzierungsplan
ERC-POC - Proof of Concept GrantGastgebende Einrichtung
1211 Meyrin
Schweiz