Hardware-Aware Machine Learning: From Automated Design to Innovative and Explainable Solutions

Název česky

Strojové učení zohledňující hardware: Od automatizovaného návrhu k inovativním a vysvětlitelným řešením

Typ

grant

Klíčová slova

evoluční algoritmus;aproximativní počítání;hluboká neuronová síť;strojové učení;hardwarový akcelerátor;vysvětlitelnost;automatizace návrhu;

Abstrakt

Vzhledem k tomu, že technologie strojového učení (ML) proniká do vestavěných zařízení, je žádoucí vytvořit novou třídu algoritmů pro automatizaci návrhu, která by byla schopna generovat hardwarově orientované implementace algoritmů ML. Kromě toho je dnes investováno velké úsilí do vývoje vysvětlitelného ML. Předpokládáme, že dobu návrhu hardwarových implementací ML systémů vykazujících další vlastnosti (např. vysvětlitelné chování) lze podstatně zkrátit, pokud použité algoritmy automatizace návrhu využijí vhodné náhradní modely pro odhad přesnosti, hardwarových parametrů a dalších vlastností. Kromě vývoje vhodných náhradních modelů vytvoříme novou metodu založenou na genetickém programování pro automatizovaný návrh vysoce optimalizovaných ML modelů vykazujících vynikající kompromisy mezi kvalitou výstupu, hardwarovými parametry a vysvětlitelností. Návrhová metoda a ML modely automaticky generované touto metodou budou vyhodnoceny v případových studiích zahrnujících klasifikátory obrazu, hodnocení Parkinsonovy nemoci a klasifikátory příkazů ze signálů vytvářených mozkem.

Řešitelé

Sekanina Lukáš, prof. Ing., Ph.D. (UPSY FIT VUT) , hlavní řešitel
Drahošová Michaela, Ing., Ph.D. (UPSY FIT VUT)
Hurta Martin, Ing. (UPSY FIT VUT)
Malik Aamir Saeed, Ph.D. (UPSY FIT VUT)
Mrázek Vojtěch, Ing., Ph.D. (UPSY FIT VUT)
Piňos Michal, Ing. (UPSY FIT VUT)
Vašíček Zdeněk, doc. Ing., Ph.D. (UPSY FIT VUT)
Zaheer Muhammad Asad (UPSY FIT VUT)

Publikace

2024

ARIF Muhammad, REHMAN (ur) Faizan, SEKANINA Lukáš a MALIK Aamir Saeed. A comprehensive survey of evolutionary algorithms and metaheuristics in brain EEG-based applications. Journal of Neural Engineering, roč. 21, č. 5, 2024, s. 1-25. ISSN 1741-2552. Detail
PIŇOS Michal, SEKANINA Lukáš a MRÁZEK Vojtěch. ApproxDARTS: Differentiable Neural Architecture Search with Approximate Multipliers. In: 2024 The International Joint Conference on Neural Networks (IJCNN). Yokohama: Institute of Electrical and Electronics Engineers, 2024, s. 1-8. ISBN 979-8-3503-5931-2. Detail
VAŠÍČEK Zdeněk, MRÁZEK Vojtěch a SEKANINA Lukáš. Automated Verifiability-Driven Design of Approximate Circuits: Exploiting Error Analysis. In: 2024 Design, Automation & Test in Europe Conference & Exhibition (DATE). Valencia: Institute of Electrical and Electronics Engineers, 2024, s. 1-6. ISBN 979-8-3503-4859-0. Detail
JAWED Soyiba, FAYE Ibrahima a MALIK Aamir Saeed. Deep learning-based assessment model for Real-time identification of visual learners using Raw EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, roč. 32, č. 1, 2024, s. 378-390. ISSN 1558-0210. Detail
KLHŮFEK Jan, ŠAFÁŘ Miroslav, MRÁZEK Vojtěch, VAŠÍČEK Zdeněk a SEKANINA Lukáš. Exploiting Quantization and Mapping Synergy in Hardware-Aware Deep Neural Network Accelerators. In: 2024 27th International Symposium on Design & Diagnostics of Electronic Circuits & Systems (DDECS). Kielce: Institute of Electrical and Electronics Engineers, 2024, s. 1-6. ISBN 979-8-3503-5934-3. Detail
SEKANINA Lukáš. Tutorial: Evolutionary Design Methods in Electronic Design Automation. In: IEEE 42nd International Conference on Computer Design (ICCD). Milano: IEEE Computer Society, 2024, s. 689-690. ISBN 979-8-3503-8040-8. Detail