Description du projet
Des réseaux neuronaux profonds améliorés par un accélérateur de calcul en mémoire
Avec l’Internet des objets (IdO), l’informatique et l’électronique sont des technologies qui assument un rôle de plus en plus important dans la vie quotidienne; nombreux sont ceux qui cherchent donc à apporter des améliorations et des avancées dans ces domaines. Les réseaux neuronaux profonds, une technologie inspirée des réseaux neuronaux biologiques et composée d’unités de traitement parallèles surnommées neurones qui sont connectées par des synapses en plastique, ont récemment été fortement utilisés dans les centres de données en cloud ainsi que dans plusieurs autres services d’IdO. Malheureusement, cette technologie demeure encore peu efficace en raison de la nécessité de traiter des millions de valeurs de poids synaptiques. Le projet MEMFLUX, financé par l’UE, développera un prototype d’accélérateur de calcul en mémoire, adapté à l’inférence de réseaux neuronaux profonds à très faible latence et à très faible puissance.
Objectif
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.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences naturellesmathématiquesmathématiques puresarithmétique
- sciences naturellessciences physiquesélectromagnétisme et électroniquedispositif à semiconducteur
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatiqueapprentissage profond
- sciences socialesdroit
- sciences naturellesinformatique et science de l'informationintelligence artificielleintelligence de calcul
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2020-PoC
Voir d’autres projets de cet appelRégime de financement
ERC-POC - Proof of Concept GrantInstitution d’accueil
8803 Rueschlikon
Suisse