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
HOLIGRAIL prévoit de proposer des résultats en libre accès, comprenant des logiciels et matériels en open-source. Ces éléments s’intégreront étroitement aux frameworks existants d’apprentissage profond (e.g., DeepGreen). Les outils développés serviront à la fois de prototypes pour faciliter la conception et l’évaluation de nouvelles solutions, et de vecteurs de diffusion des connaissances acquises.
L’objectif d’HOLIGRAIL est d’agir au niveau des modèles et du code, pour réduire drastiquement la consommation énergétique des systèmes d’intelligence artificielle, lors des phases d’entraînement et d’inférence.
Les résultats produits ont vocation à s’intégrer aux solutions de développement pour les systèmes embarqués qui permettent une meilleure rapidité de traitement et une réduction des données transmises pour des systèmes plus sûrs et sécurisés. L’IA embarquée trouve des applications, au service de l’industrie et de la société, dans les domaines de l’énergie, la santé, les transports, la défense, etc.
Une communauté d’une trentaine de chercheurs, enseignants-chercheurs et ingénieurs permanents, mobilisant en outre 14 doctorants, 7 post-doctorants et 4 ingénieurs de recherche contractuels au fur et à mesure du projet.
Publications
Autres projets
