Architectures matérielles et logicielles pour l'accélération du « deep learning » sur multiprocesseur évolutif embarqué

par Nicolas Leclaire

Projet de thèse en Informatique

Sous la direction de Stéphane Mancini.

Thèses en préparation à Grenoble Alpes , dans le cadre de École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble) , en partenariat avec Techniques de l'Informatique et de la Microélectronique pour l'Architecture des systèmes intégrés (laboratoire) depuis le 12-03-2018 .


  • Résumé

    Le thème général du sujet de cette thèse porte sur l'infrastructure matérielle et logicielle pour l'exécution efficace de réseaux de neurones. En particulier, l'objectif est d'étudier les stratégies intéressantes pour doter une famille de processeurs d'accélérateurs matériels associés à une architecture logicielle pour l'exécution efficace des réseaux de neurones. Les enjeux principaux sont liés à la capacité d'embarquer le ou les nœuds intelligents dans des systèmes sur puce (SoC) fortement contrains en termes de surface, de consommation énergétique et de puissance de calcul disponible.

  • Titre traduit

    Hardware and Software architectures for deep learning acceleration on embedded multi-processor


  • Résumé

    The general topic of this thesis is the hardware and software infrastructure for the efficient execution of neural networks. In particular, the objective is to study the interesting strategies to equip a family of hardware accelerator processors associated with a software architecture for the efficient execution of neural networks. The main issues are related to the ability to ship the smart node or nodes in SoCs that are highly constrained in terms of area, energy consumption and available computing power.