Heterogeneous Model Compilers for Uncertain Environments
- Reference number
- FFL15-0032
- Start and end dates
- 170101-221231
- Amount granted
- 11 882 099 SEK
- Administrative organization
- KTH - Royal Institute of Technology
- Research area
- Information, Communication and Systems Technology
Summary
To cope with constantly growing systems complexities, model-based design and machine learning have emerged as two essential design and implementation techniques. However, today’s rapid progress in these techniqes is impeded by the learning curve and incompatibility between the tremendous amounts of existing modeling formalisms, tools, and machine learning algorithms. The overall goal of this project is to develop new techniques and tools that make it easier to develop complex systems, by combining heterogeneous models and to automatically generate efficient runtime systems on heterogeneous platforms. The concrete expected output is an open-source model-based compiler that will be directly usable to the industry. To impose concrete evidence for the relevance and importance of our research to the Swedish industry, we have identified three concrete applications. The application demonstrators are: i) energy improvement and anomaly detection in telecommunication systems (with Ericsson), ii) automation of container ports (with ABB), and system testing of CubeSat satellites (with KTH Space Center).
Popular science description
Sverige har en mycket lång tradition av ingenjörsmässigt arbete där de största svenska företagen ständigt förlitar sig på nya tekniska innovationer. För att kunna bibehålla den starka svenska ställningen inom teknikområden som t.ex. telekommunikation och fordonsindustri räcker det dock inte att följa med i de senaste trenderna vad gäller systemutveckling: Sverige måste vara ledande och vara en del av att skapa trenderna. Detta bör ske såväl genom att erbjuda en framstående ingenjörsutbildning, samt vara drivande i att utveckla nya ingenjörsmetoder och utvecklingsverktyg. I det här projektet utvecklar vi nya metoder och verktyg för att kunna kombinera tekniker inom fysisk modellering med maskininlärning. Inom projektet utvecklar vi en ny modellkompilator, som dels kan hantera en stor mängd olika modelleringstekniker, och dels kan generera programvara till olika heterogena plattformar. Forskningen genomförs i nära samarbete med industrin, inom områdena telekommunikation, hamnautomation och satellittestning.