> Offres de formation > Offres de thèses

Algorithmes d'apprentissage DNN quantifiés à surcoût matériel limité en vue d'une implémentation Edge

Défi technologique : Data intelligence dont Intelligence Artificielle (en savoir +)

Département : Département Systèmes et Circuits Intégrés Numériques (LIST)

Laboratoire : Laboratoire Systèmes-sur-puce et Technologies Avancées

Date de début : 01-09-2022

Localisation : Grenoble

Code CEA : SL-DRT-22-0348

Contact : thomas.mesquida@cea.fr

L'intelligence à l'Edge vise à pousser le calcul effectué sur les données en périphérie pour des raisons énergétiques et de sécurité. En découle l'implémentation de matériel co-optimisé pour l'inférence de réseaux de neurones artificiels (ANN) plus ou moins profonds (DNN) et qui vise un calcul au plus près de la création de l'information utile. Les réseaux supportés sont entrainés offline et leurs paramètres exportés vers le support. Deux aspects principaux sont nécessaires pour que ce matériel s'adapte à un environnement particulier ou affine ses connaissances : la direction de l'apprentissage, ou comment définir la cible à atteindre, et l'optimisation des paramètres du réseau, ou comment minimiser l'erreur vis-à-vis de la cible définie. Les algorithmes d'apprentissage les plus utilisés ont pour défaut de nécessiter une quantité de mémoire bien plus importante que lors des phases d'inférence. En effet, l'ensemble des résultats intermédiaires du réseau doivent être stockées pour que la rétro-propagation du gradient puisse être effectuée. Le surcout lié à l'apprentissage vis-à-vis de l'inférence pure est conséquent et le but de ce PhD est de le minimiser dans le cadre de réseaux de neurones artificiels quantifiés. Le but de ce PhD est de proposer, implémenter et valider des algorithmes d'apprentissage DNN en optimisant les besoins mémoires et énergétiques associés. A cela s'ajoute la contrainte de quantification forte des paramètres du DNN pour une inférence frugale qui n'est pas encore prise en compte dans la littérature dans ce contexte. Ces études algorithmiques pourront être intégrées aux plateformes de simulation matérielles du laboratoire.

Voir toutes nos offres Télécharger l'offre (.zip)

Email Bookmark and Share