Opis projektu
Akcelerator obliczeniowy oparty na technologii in-memory pozwala ulepszyć głębokie sieci neuronowe
Wraz z rozwojem internetu rzeczy (IoT), technologie informatyczne i elektroniczne odgrywają coraz ważniejszą rolę w naszym życiu codziennym, dlatego też wielu naukowców stara się je udoskonalać i rozwijać. Głębokie sieci neuronowe są wzorowane na biologicznych sieciach neuronowych i składają się z równoległych jednostek przetwarzających zwanych neuronami, które są połączone plastycznymi synapsami. W ostatnim czasie są one powszechnie wykorzystywane w centrach danych w chmurze, a także w kilku innych usługach IoT. Niestety technologia ta wciąż pozostaje mało wydajna ze względu na konieczność przetwarzania milionów wartości wag połączeń synaptycznych. W ramach finansowanego przez UE projektu MEMFLUX opracowany zostanie prototyp akceleratora obliczeniowego w technologii in-memory, dostosowany do wnioskowania z wykorzystaniem głębokich sieci neuronowych o ultraniskich opóźnieniach i ultraniskim poborze mocy.
Cel
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.
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 przyrodniczematematykamatematyka czystaarytmetyka
- nauki przyrodniczenauki fizyczneelektromagnetyzm i elektronikaurządzenie półprzewodnikowe
- nauki przyrodniczeinformatykasztuczna inteligencjauczenie maszynoweuczenie głębokie
- nauki społeczneprawo
- nauki przyrodniczeinformatykasztuczna inteligencjainteligencja obliczeniowa
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
System finansowania
ERC-POC - Proof of Concept GrantInstytucja przyjmująca
8803 Rueschlikon
Szwajcaria