Projektbeschreibung
Verbesserung von tiefneuronalen Netzen durch einen Beschleuniger beim In-Memory-Computing
Mit dem Internet der Dinge spielen Computer und Elektronik eine immer größere Rolle im Alltagsleben, sodass Verbesserungen und Fortschritte in diesen Bereichen angestrebt werden. Tiefneuronale Netzwerke, eine Technologie, die von biologischen neuronalen Netzwerken inspiriert ist und aus parallelen Verarbeitungseinheiten besteht, die als Neuronen bezeichnet werden und die durch plastische Synapsen miteinander verbunden sind, wurden in letzter Zeit häufig in Cloud-Rechenzentren sowie bei verschiedenen anderen Diensten im Internet der Dinge eingesetzt. Allerdings sind sie nach wie vor ineffizient, da Millionen synaptische Gewichtswerte verarbeitet werden müssen. Das EU-finanzierte Projekt MEMFLUX wird den Prototyp eines In-Memory-Computing-Beschleunigers entwickeln, der auf die Inferenz von tiefneuronalen Netzen mit extrem niedriger Latenz und extrem geringem Stromverbrauch zugeschnitten ist.
Ziel
Deep neural networks (DNNs), loosely inspired by biological neural networks, consist of parallel processing units called neurons interconnected by plastic synapses. By tuning the weights of these interconnections, these networks are able to perform certain cognitive tasks remarkably well. DNNs are being deployed all the way from cloud data centers to edge servers and even end devices and is projected to be a tens of billion Euro-market just for semiconductor companies in the next few years. There is a significant effort towards the design of custom ASICs based on reduced precision arithmetic and highly optimized dataflow. However, one of the primary reasons for the inefficiency, namely the need to shuttle millions of synaptic weight values between the memory and processing units, remains unaddressed. In-memory computing is an emerging computing paradigm that addresses this challenge of processor-memory dichotomy. For example, a computational memory unit with resistive memory (memristive) devices organized in a crossbar configuration is capable of performing matrix-vector multiply operations in place by exploiting the Kirchhoff’s circuits laws. Moreover, the computational time complexity reduces to O(1). The goal of this project is to prototype such an in-memory computing accelerator for ultra-low latency, ultra-low power DNN inference.
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. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- NaturwissenschaftenMathematikreine MathematikArithmetik
- NaturwissenschaftenNaturwissenschaftenElektromagnetismus und ElektronikHalbleiterbauelement
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles LernenDeep Learning
- SozialwissenschaftenRechtswissenschaften
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche IntelligenzComputational Intelligence
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Schlüsselbegriffe
Programm/Programme
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) ERC-2020-PoC
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
ERC-POC - Proof of Concept GrantGastgebende Einrichtung
8803 Rueschlikon
Schweiz