Project detail
LEDNeCo: Low Energy Deep Neurocomputing
Duration: 1.1.2025 — 31.12.2027
Funding resources
Grantová agentura České republiky - Standardní projekty
On the project
Modern artificial intelligence technologies based on deep neural networks (DNNs) such as GPT are computationally extremely demanding. In addition to consuming an enormous amount of energy, this limits their deployment in battery-powered embedded (edge) devices (e.g. smart mobile apps). LEDNeCo is a project of basic research whose ambition is to develop a low-energy deep neurocomputing paradigm based on machine-independent energy complexity theory for DNNs, which issues from practical experience in the design of diverse DNN hardware accelerators. Among other things, universal lower bounds on energy complexity of DNNs and estimates of inference error will be derived for identifying DNN components (e.g. weights, neurons, layers) whose approximation is provably the most energy efficient. The achieved theoretical knowledge will be used in new advanced approximation techniques (e.g. weight compression, Boolean optimization, robust aproximation of components) for low-power hardware implementations of DNN (incl. transformer), which will be tested on benchmark datasets.
Description in Czech
Moderní technologie umělé inteligence založené na hlubokých neuronových sítí
(DNN) jako např. GPT jsou výpočetně extrémně náročné. Kromě toho, že spotřebují
ohromné množství energie, to omezuje jejich nasazení ve vestavěných (koncových)
zařízeních napájených bateriemi (např. chytré mobilní aplikace). LEDNeCo je
projektem základního výzkumu, jehož ambicí je rozvoj paradigmatu
nízkoenergetických hlubokých neurovýpočtů, který je založený na strojově
nezávislé teorii energetické složitosti DNN vycházející z praktických zkušeností
s návrhem různých hardwarových akcelerátorů DNN. Mj. budou odvozeny univerzální
dolní meze energetické složitosti DNN a odhady inferenční chyby pro identifikaci
komponent DNN (např. vah, neuronů, vrstev), jejichž aproximace je prokazatelně
energeticky nejefektivnějsí. Teoretické poznatky budou použity v nových
pokročilých aproximačních technikách (např. komprese vah, booleovská
optimalizace, robustní aproximace komponent) návrhu hardwarových implementací DNN
(vč. transformerů) s nízkou spotřebou energie, které budou testovány na
referenčních datech.
Keywords
deep neural networks;tranformers;energy complexity;hardware
accelerator;approximation theory;robust learning;genetic programming
Key words in Czech
hluboké neuronové sítě;transformery;energetická složitost;hardwarový
akcelerátor;aproximační teorie;robustní učení;genetické programování
Mark
25-15490S
Default language
English
People responsible
Vašíček Zdeněk, doc. Ing., Ph.D. - principal person responsible
Klhůfek Jan, Ing. - fellow researcher
Mrázek Vojtěch, Ing., Ph.D. - fellow researcher
Sekanina Lukáš, prof. Ing., Ph.D. - fellow researcher
Units
Department of Computer Systems
- responsible department (2.4.2024 - not assigned)
Department of Computer Systems
- co-beneficiary (2.4.2024 - 31.12.2027)
Responsibility: Vašíček Zdeněk, doc. Ing., Ph.D.