HOLIGRAIL

Approches holistiques pour les architectures plus efficaces pour l’inférence et l’apprentissage

Aperçu

Proposer des méthodes de pointe qui optimisent l’efficacité énergétique et la performance des modèles d’intelligence artificielle.

Olivier Sentieys, Professeur à l’Université de Rennes, chair Inria

Olivier Bichler, Chef de laboratoire LIAE, CEA List

Le projet HOLIGRAIL examine, dans une approche holistique et globale, la consommation énergétique des algorithmes d’IA, pour réaliser des avancées significatives en matière d’efficacité énergétique et de performances lors de l’exécution d’algorithmes d’inférence et d’entraînement sur du matériel spécialisé.

Les résultats produits ont vocation à s’intégrer aux solutions de développement pour les systèmes embarqués.

Mots clefs : IA frugal, apprentissage automatique, réseau de neurones artificiels, optimisation, arithmétique des ordinateurs, architecture matérielle, accélération matérielle, compilateur d’optimisation, théorie des codes

Site internet du projet : PEPR IA – HOLIGRAIL Project

Les missions

Nos recherches


Les représentations numériques

Concevoir des représentations de nombres plus compactes et plus efficaces qui conservent une qualité d’inférence ou d’apprentissage proche de la référence, permettant une meilleure évolutivité des modèles embarqués.


Faire évoluer les algorithmes d’entraînement

Développer des algorithmes d’entraînement adaptés au matériel qui améliorent la dispersion, la compacité du codage et les transformations tensorielles, pour une meilleure exploitation des ressources matérielles limitées des systèmes embarqués.


Faire évoluer les solutions matérielles

Dépasser les solutions actuelles en développant des mécanismes matériels efficaces, optimisés pour la sparsité, la quantification extrême et les représentations des nombres ad hoc, et en exploitant l’interaction entre le matériel et les algorithmes pour une meilleure efficacité énergétique et une meilleure performance.


Faire évoluer l’optimisation du compilateur

Démontrer l’efficacité des méthodes d’optimisation proposées par le compilateur pour garantir une implémentation optimisée sur des plateformes embarquées et à haute performance.

Le consortium

Université de Rennes, CEA, Inria, INSA Lyon, Grenoble INP, CNRS

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
 ADAPTING
ADAPTING
Architectures adaptatives pour l'intelligence artificielle embarquée
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
 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