ADAPTING

Architectures adaptatives pour l’intelligence artificielle embarquée

Aperçu

Une approche allant plus loin que les architectures matérielles actuelles et dont le but est d’atteindre les prochaines générations d’applications du domaine de l’IA.

Alberto Bioso, Professeur Ecole Centrale Lyon

Ivan Miro Panades, Ingénieur-chercheur, CEA

Le projet ADAPTING propose un nouveau paradigme architectural adaptable à toute application d’IA et à ses contraintes en termes de précision, d’énergie, de latence et de fiabilité. L’architecture adaptive sera conçue pour assurer la flexibilité, l’efficacité, la durabilité et la fiabilité de l’IA embarquée. Cette approche va au-delà des architectures matérielles actuelles et vise les prochaines générations d’applications du domaine de l’IA.

Mots clefs : Edge IA, Efficacité énergétique, IA de confiance, Architectures Informatiques, IA embarquée, architecture reconfigurable, implémentation matérielle fiable

Site internet du projet : projetAdaptING.ec-lyon.fr

Les missions

Nos recherches


Flexibilité

Pouvoir utiliser les mêmes architectures matérielles pour exécuter différents algorithmes d’IA en prenant en compte les contraintes applicatives en termes de précision, consommation énergétique et fiabilité.


Apprentissage sur puce

Permettre un apprentissage adaptatif dans le cloud ou au plus près du capteur pour limiter le transfert de données et ainsi préserver leur confidentialité tout en réduisant la consommation d’énergie. 


Efficacité énergétique

Concevoir des composants de calcul frugaux et d’architectures matérielles permettant de réduire significativement le transfert de données entre la mémoire et les calculateurs.


Fiabilité

Exploiter les spécificités des architectures matérielles pour développer des stratégies adaptées de tolérance aux fautes en temps réel, à bas coût, afin de détecter, diagnostiquer et corriger les erreurs matérielles.

Le consortium

CEA, Ecole Centrale de Lyon, Sorbonne Université, Université de Rennes, Université de Nantes, Université Bretagne Sud, CNRS, INSA Lyon, Ecole Supérieure de Physique Chimie Electronique de Lyon

Implantation du consortium

Publications


Autres projets

 NNawaQ
NNawaQ
NNawaQ (Neural Network Adequate Hardware Architecture for Quantization)
Voir plus
 Package Python Keops
Package Python Keops
Package Python Keops pour les calculs tensoriels en (très) grande dimension (projet PDE-AI)
Voir plus
 MPTorch
MPTorch
MPTorch, framework d’encapsulation construit sur PyTorch
Voir plus
 CaBRNeT
CaBRNeT
CaBRNeT, une bibliothèque pour le développement et l'évaluation de modèles de raisonnement basé sur des cas simplifiés (projet SAIF)
Voir plus
 SNN Software
SNN Software
SNN Software, un outil open-source pour le design SNN (projet EMERGENCES)
Voir plus
 SDOT
SDOT
SDOT, logiciel pour le transport optimal semi-discret
Voir plus
 FloPoCo
FloPoCo
FloPoCo (Floating-Point Cores), générateur de noyaux arithmétiques majoritairement pour les FPGA (projet HOLIGRAIL)
Voir plus
 Lazylinop
Lazylinop
Lazylinop (Lazy Linear Operator), un opérateur linéaire paresseux de haut niveau basé en Python (projet SHARP)
Voir plus
 CAISAR
CAISAR
CAISAR, une plateforme de caractérisation de la sécurité et de l’intelligence artificielle robuste (projet SAIF)
Voir plus
 P16
P16
P16 ou développer, diffuser et maintenir un ensemble de bibliothèques souveraines pour l'IA
Voir plus
 AIDGE
AIDGE
AIDGE ou la plateforme ouverte de développement en embarqué du projet DEEPGREEN
Voir plus
 Jean-Zay
Jean-Zay
Jean Zay ou l'infrastructure nationale pour la communauté de recherche en IA
Voir plus
 Appel à chaires Attractivité
Appel à chaires Attractivité
Le PEPR IA offre aux chercheurs en IA l’opportunité d’établir et de diriger un programme de recherche et une équipe en France pour une durée de 4 ans.
Voir plus
 CAUSALI-T-AI
CAUSALI-T-AI
La causalité au service de la robustesse et de l’explicabilité des algorithmes d’IA
Voir plus
 EMERGENCES
EMERGENCES
Modèles émergents proche physique pour l'IA embarquée
Voir plus
 FOUNDRY
FOUNDRY
Les fondements de la robustesse et de la fiabilité en intelligence artificielle
Voir plus
 HOLIGRAIL
HOLIGRAIL
Approches holistiques pour les architectures plus efficaces pour l'inférence et l'apprentissage
Voir plus
 PDE-AI
PDE-AI
Nouvelles architectures pour l’apprentissage automatique
Voir plus
 REDEEM
REDEEM
Apprentissage automatique résilient, décentralisé et respectueux de la vie privée
Voir plus
 SAIF
SAIF
Sûreté de l’intelligence artificielle investiguée par les méthodes formelles
Voir plus
 SHARP
SHARP
Principes théoriques et algorithmiques de l’apprentissage frugal
Voir plus