< Terug naar vorige pagina

Project

Hoe kleine toestelletjes autonoom laten leren en beslissen

Twee elektronische trends kenmerken het afgelopen decennium: 1.) de trend van alomtegenwoordige elektronica, waarbij deze steeds meer wordt geïntegreerd in alledaagse voorwerpen. 2.) de komst van machine learning (ML), waarmee men patronen vindt en beslissingen neemt op basis van massa's data. Het volgende decennium zal de integratie van deze twee trends met zich meebrengen, als “tinyML”: ML naar kleine elektronische apparaten brengen, die overal aanwezig zijn rondom ons. Momenteel is tinyML beperkt tot het uitvoeren van inferentie taken in het kleine apparaat, terwijl de zware training en beslissingen nog steeds in de cloud worden uitgevoerd. Om echte tinyML mogelijk te maken, inclusief training en beslissingen nemen, moeten hardware en algoritmen nauw gecoördineerd worden. Toch verhindert het totaal verschillende innovatietempo van deze twee domeinen (snelle SW-veranderingen en langzame HW-ontwikkeling) gerichte vooruitgang. Dit project zoekt hier een oplossing voor door: 1.) een HW-bewuste ML kostenraming te creëren, waarmee algoritmische ontwerpers hun innovaties snel kunnen beoordelen op het gebied van HW en metrieken zoals uitvoeringssnelheid of energieverbruik; 2.) high level synthesis hardware templates bouwen voor tinyML processors, waarmee deze snel kunnen worden aangepast aan nieuwe ML algoritmen. Dit kan de SW / HW-barrière naar echte tinyML-systemen, die lokaal van nieuwe gegevens kunnen leren en actief kennis verzamelen door reinforcement learning, doorbreken.

Datum:2 sep 2020 →  Heden
Trefwoorden:Machine learning, Embedded processing, HW/SW co-design
Disciplines:Machine learning en besluitvorming, Embedded systems, Computerarchitectuur en -organisatie
Project type:PhD project