Embedded Deep Learning Systems

I det nuvarande skedet av den industriella utvecklingen har automatisering blivit en viktig komponent för att industrin ska blomstra, och i centrum av den har vi artificiell intelligens (AI) som en drivkraft.

Utifrån detta perspektiv har Deep Neural Networks vunnit ett betydande forskningsintresse som gör det möjligt att införa sådana komplexa och mycket krävande algoritmer i en mängd olika scenarier. Nuvarande metoder bygger främst på att dessa algoritmer används i ett moln som har omfattande dator- och minneskapacitet för att uppfylla sina krav. Nya sammanhang som Smart City, Industrial IoT och autonoma fordon kräver dock att dessa algoritmer införs närmare IoT-noden, om inte i själva den smarta sensornoden, medan noden är resurs- och energibegränsad.

I detta projekt fokuserar vi på problemet med energieffektiv utbyggnad av DNN-baserad IoT-nod, genom att analysera detta problem ur ett bredare perspektiv som även inkluderar kommunikationskraven i analysen.

Syftet är att utveckla en metod för utforskning av designutrymme som gör det möjligt för användaren att identifiera den idealiska separationspunkten där nodens energiförbrukning når sin optimala punkt som en kombination av beräknings- och kommunikationsarbetsbelastningen.