Objectif
Deep Learning (DL) algorithms are an extremely promising instrument in artificial intelligence, achieving very high performance in numerous recognition, identification, and classification tasks. To foster their pervasive adoption in a vast scope of new applications and markets, a step forward is needed towards the implementation of the on-line classification task (called inference) on low-power embedded systems, enabling a shift to the edge computing paradigm. Nevertheless, when DL is moved at the edge, severe performance requirements must coexist with tight constraints in terms of power/energy consumption, posing the need for parallel and energy-efficient heterogeneous computing platforms. Unfortunately, programming for this kind of architectures requires advanced skills and significant effort, also considering that DL algorithms are designed to improve precision, without considering the limitations of the device that will execute the inference. Thus, the deployment of DL algorithms on heterogeneous architectures is often unaffordable for SMEs and midcaps without adequate support from software development tools.
The main goal of ALOHA is to facilitate implementation of DL on heterogeneous low-energy computing platforms. To this aim, the project will develop a software development tool flow, automating:
• algorithm design and analysis;
• porting of the inference tasks to heterogeneous embedded architectures, with optimized mapping and scheduling;
• implementation of middleware and primitives controlling the target platform, to optimize power and energy savings.
During the development of the ALOHA tool flow, several main features will be addressed, such as architecture-awareness (the features of the embedded architecture will be considered starting from the algorithm design), adaptivity, security, productivity, and extensibility.
ALOHA will be assessed over three different use-cases, involving surveillance, smart industry automation, and medical application domains
Champ scientifique
- natural sciencesphysical sciencesastronomyspace exploration
- natural sciencescomputer and information sciencesinternetinternet of things
- social sciencessociologyindustrial relationsautomation
- natural sciencescomputer and information sciencessoftwaresoftware development
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
Programme(s)
Thème(s)
Régime de financement
RIA - Research and Innovation actionCoordinateur
20864 Agrate Brianza
Italie
Voir sur la carte
Participants (15)
09124 Cagliari
Voir sur la carte
1012WX Amsterdam
Voir sur la carte
2311 EZ Leiden
Voir sur la carte
8092 Zuerich
Voir sur la carte
07100 Sassari
Voir sur la carte
1100 WIEN
Voir sur la carte
Participation terminée
08940 Cornella De Llobregat Barcelona
Voir sur la carte
Entité juridique autre qu’un sous-traitant qui est affiliée ou juridiquement liée à un participant. L’entité réalise des travaux dans les conditions prévues par la convention de subvention, fournit des biens ou des services pour l’action, mais n’a pas signé la convention de subvention. Le tiers respecte les règles applicables au participant qui lui est lié dans le cadre de la convention de subvention en ce qui concerne l’éligibilité des coûts et le contrôle des dépenses.
Participation terminée
SL3 9LL Slough
Voir sur la carte
4232 HAGENBERG
Voir sur la carte
20152 Milano
Voir sur la carte
49527 Petach Tikva
Voir sur la carte
26500 Rio
Voir sur la carte
L’entreprise s’est définie comme une PME (petite et moyenne entreprise) au moment de la signature de la convention de subvention.
09128 Cagliari
Voir sur la carte
L’entreprise s’est définie comme une PME (petite et moyenne entreprise) au moment de la signature de la convention de subvention.
6706701 Tel Aviv
Voir sur la carte
L’entreprise s’est définie comme une PME (petite et moyenne entreprise) au moment de la signature de la convention de subvention.
08002 Barcelona
Voir sur la carte