AppNeCo: Aproximativní neurovýpočty
Cíle projektu
V současnosti jsou v zařízeních s omezenými zdroji (např. mobilní telefony napájené baterií) implementovány moderní technologie umělé inteligence založené na hlubokých neuronových sítích, jejichž výpočet je náročný na spotřebu energie. V aplikacích tolerantních vůči chybám (např. klasifikace obrazu) může použití metod aproximativního počítání ušetřit ohromné množství energii za cenu jen malé ztráty přesnosti. AppNeCo je projektem základního výzkumu aproximativních neurovýpočtů, jehož ambicí je originální synergie teorie aproximace a složitosti neuronových sítí a empirické zkušenosti se špičkovým návrhem výkonných aproximativních implementací hardwarových obvodů. Jeho cílem je rozvoj složitostně-teoretických základů aproximativních výpočtů konvolučních neuronových sítí (CNN) omezené energetické složitosti pro aplikační domény specifikované distribucemi vstupního prostoru. Tyto poznatky budou použity při návrhu nových strategií aproximace komponent a učících algoritmů nízkoenergetických, vysoce přesných CNN. Nové metody budou testovány na úlohách zpracování obrazu.
Klíčová slova
approximate computingconvolutional networksenergy complexityrobust learninghardware acceleratorimage classification
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Standardní projekty
Veřejná soutěž
SGA0202200004
Hlavní účastníci
Ústav informatiky AV ČR, v. v. i.
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
22-02067S
Alternativní jazyk
Název projektu anglicky
AppNeCo: Approximate Neurocomputing
Anotace anglicky
Nowadays, modern AI technologies based on deep neural networks, whose computation is demanding on energy consumption, are implemented in devices with limited resources (e.g. battery powered cellphones). In error-tolerant applications (e.g. image classification), the use of approximate computing methods can save enormous amount of energy at the cost of only a small loss in accuracy. AppNeCo is a basic research project of approximate neurocomputing, whose ambition is an original synergy of approximation and complexity theory of neural networks and empirical experience with the top design of high-performance approximate implementations of hardware circuits. Its goal is to develop complexity-theoretic foundations of approximate computation by convolutional neural networks (CNN) of bounded energy complexity for application domains specified by input space distributions. This knowledge will be used in designing new strategies for approximating components and learning algorithms of low-energy high-precision CNNs. The new methods will be tested on image processing tasks.
Vědní obory
Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
OECD FORD - vedlejší obor
20205 - Automation and control systems
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory
(dle převodníku)AF - Dokumentace, knihovnictví, práce s informacemi
BC - Teorie a systémy řízení
BD - Teorie informace
IN - Informatika
JD - Využití počítačů, robotika a její aplikace
Termíny řešení
Zahájení řešení
1. 1. 2022
Ukončení řešení
31. 12. 2024
Poslední stav řešení
—
Poslední uvolnění podpory
29. 2. 2024
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP25-GA0-GA-R
Datum dodání záznamu
12. 3. 2025
Finance
Celkové uznané náklady
8 778 tis. Kč
Výše podpory ze státního rozpočtu
8 187 tis. Kč
Ostatní veřejné zdroje financování
591 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Základní informace
Uznané náklady
8 778 tis. Kč
Statní podpora
8 187 tis. Kč
93%
Poskytovatel
Grantová agentura České republiky
OECD FORD
Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Doba řešení
01. 01. 2022 - 31. 12. 2024