Text

Grön djupinlärning för kantenheter

Projektet syftar till att tillhandahålla nya teoretiska grunder och praktiska algoritmer för att automatiskt designa skalbara energieffektiva DL-modeller med lågt energifotavtryck och underlätta snabb användning av komplicerade DL-modeller för olika Edge-enheter som uppfyller givna hårdvarubegränsningar. Detta projekt kommer anmärkningsvärt att undersöka prestandaanalys och modellering, optimering och inlärningsalgoritmer följt av omfattande experiment för verifiering.

Start

2022-01-01

Planerat avslut

2026-01-01

Huvudfinansiering

Projektansvarig vid MDU

No partial template found

Deep Learning (DL) har genomsyrat olika aspekter av vårt dagliga liv på grund av att det ger extremt lovande resultat för olika inlärningsuppgifter. Neural Architecture Search (NAS) visade imponerande resultat när man automatiskt utformade effektiva DL-modeller. Å andra sidan är sammanställningsverktygsflöden toppmoderna metoder för att distribuera DL-modeller på hårdvara. Men både design och distribution av DL-modeller lider av betydande energiförbrukning och enorm optimeringstid för data i stor skala, vilket leder till betydande miljökostnader. Problemet uttalas genom att exponentiellt öka mängden data som produceras av miljarder Edgeenheter anslutna över hela världen. Med ett så ineffektivt bearbetningsparadigm behöver vi oundvikligen nya och effektivare lösningar för att designa och distribuera DL-modeller på Edge-enheter.

De föreslagna lösningarna bör möjliggöra

  • utnyttja både design- och utvecklingssteg
  • energieffektiva optimeringsmetoder som skalas till omfattande riktmärken och
  • uppfylla resursbegränsningarna för Edge-enheter.

Projektmål

GreenDL syftar till att tillhandahålla nya teoretiska grunder och praktiska algoritmer för att automatiskt designa skalbara energieffektiva DL-modeller med lågt energifotavtryck och underlätta snabb användning av komplicerade DL-modeller för olika Edge-enheter som uppfyller givna hårdvarubegränsningar. Detta projekt kommer anmärkningsvärt att undersöka prestandaanalys och modellering, optimering och inlärningsalgoritmer följt av omfattande experiment för verifiering.