Door de co-optimalisatie van enerzijds vermogen- en energie-efficiënte AI-processoren en anderzijds geavanceerde Machine Learning taken kunnen we de prestaties van AI verbeteren, een betrouwbare communicatie met lage responstijd realiseren, een energie-efficiënte verwerking van AI opzetten en de veiligheid van de gegevens waarborgen.
AI-systemen die energie-efficiënt zijn en performant lokaal werken.
Voor veel AI-toepassingen worden momenteel krachtige, energieverslindende processoren gebruikt die zich in de cloud bevinden. Nochtans is het voor veel toepassingen niet mogelijk om de sensordata eerst naar de cloud te brengen om ze daar te verwerken, bijvoorbeeld omdat een lage responstijd nodig is. De oplossing? AI naar de sensoren brengen: edge computing. Dit wordt mogelijk gemaakt door de co-optimalisatie van enerzijds vermogen- en energie-efficiënte AI-processoren en anderzijds geavanceerde Machine Learning taken.
Dit toepassingsgerichte onderzoek stimuleert innovatie op het vlak van:
Bovenstaande zaken laten het toe om meteen actie te ondernemen met lokaal verworven gegevens.
Verschillende onderzoeksgroepen werken samen in dit onderzoeksdomein. Deze tabel geeft enkel de contactpersonen weer per werkpakket.
Management team, imec
Management team & WP1 Lead: Use Cases, imec
WP2 Lead: Inter-device Algorithms, UGent - IDLab
WP3 Lead: Intra-Device Algorithms, UGent - IPI
WP4 Lead: Software Tool Suites, Software to Hardware Mapping, imec
WP5 Lead: Extreme Edge Hardware, KU Leuven - MICAS