Optimisation du placement de réseaux de neurones convolutifs sur des architectures hybrides sous contraintes de ressources

Optimization of convolutional neural network placement on resource-constrained hybrid architectures

• Auteur / Autrice : Arthur Viens
• Direction : Corinne Ancourt
• Type : Projet de thèse
• Discipline(s) : Informatique temps réel, robotique et automatique - Fontainebleau
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : CRI - Centre de Recherche en Informatique
• Partenaire(s) de recherche : établissement opérateur d'inscription : Mines Paris-PSL

Mots clés

Mots clés libres

Optimisation

Compilation

Intelligence Artificielle

Optimization

Compilation

Artificial Intelligence

Résumé

Les réseaux de neurones convolutifs (CNN) sont utilisés principalement pour la reconnaissance d'images et de vidéos, avec des calculs massivement parallèles grâce aux architectures CPU-GPU. Toutefois, les limites des ressources mémoire et de communication posent des défis, notamment pour les systèmes embarqués. Les optimisations actuelles se concentrent sur la réduction de la précision des données et des modèles. Une approche intégrant des modèles de performances mémoire et optimisant ces réseaux sur des architectures est nécessaire. Nos recherches viseront les optimisations inter-couches et des placements des opérations pour mieux adapter les CNNs aux contraintes mémoire et architecturales.

Convolutional neural networks (CNNs) are primarily used for image and video recognition, leveraging parallel processing through CPU-GPU architectures. However, memory and communication limitations create challenges, especially in embedded systems. Current optimizations focus on reducing data precision and model size. An approach that integrates memory performance models and optimizes these networks across architectures is needed. Our research will target cross-layer optimizations and operation mappings to better adapt CNNs to memory and architectural constraints.