Beräkning i Superposition
- Diarienummer
- FFL24-0111
- Projektledare
- Kleyko, Denis
- Start- och slutdatum
- 260101-301231
- Beviljat belopp
- 15 000 000 kr
- Förvaltande organisation
- Örebro University
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Snabba framsteg inom AI, drivna av neurala nätverk, omvandlar vårt samhälle. Men de står inför en kris eftersom beräkningskostnader och omfattningen av träningsdata växer alltmer ohållbart. Vi behöver ompröva AI:s grunder ur ett effektivitet-först perspektiv. Förslaget är att följa denna vision genom att utveckla ett neuro-inspirerad beräkningsramverk med nya designprinciper, utöka AI:s bearbetningskapacitet och minska behovet av beräkningar. Det nyskapande här är att erkänna att för att uppnå oöverträffade effektivitetsvinster är det avgörande att koppla algoritmer till framstegen inom framväxande energisnål hårdvara. Jag kommer att göra detta genom att utveckla ett ramverk för fullstack-beräkning som möjliggör enkel co-design av algoritmer och hårdvara. Detta ramverk kommer att möjliggöra en sömlös lösning av utmanande problem inom maskininlärning och optimeringsdomäner, vilket leder till hållbara nästa generations intelligenta system. Förslaget är baserat på ett nytt paradigm av beräkning-i-superposition som uppstår vid användning av neurala populationskoder–PI:s område. Det är en lovande väg för att revolutionera AI-metoder från tillvägagångssätt som förlitar sig på att skala upp beräkningskapacitet till en lösning där algoritmer är tätt integrerade med deras implementering för effektivitet i helhet. Projektet kommer dramatiskt att öka kapaciteten hos intelligenta system samtidigt som det tillgodoser de beräkningsbehov som har blivit en oumbärlig grund för våra liv.
Populärvetenskaplig beskrivning
Projektet riktar sig mot den kris som samhällets behov av beräkningar står inför, där dessa riskerar att bli ohållbara. För att dramatiskt minska resurserna som förbrukas av AI-metoder och samtidigt öka deras bearbetningskapacitet, kommer projektet att göra betydande framsteg genom att ompröva de algoritmiska grunderna för AI-metoder och designa primitiver för framväxande energisnål hårdvara. För att fullfölja denna vision kommer inspiration att hämtas från biologin. Neuro-inspirerade tillvägagångssätt för beräkning har potential att erbjuda nya sätt att designa AI-metoder och att bygga bättre intelligenta system. Dessa framsteg kommer att utnyttjas för att undersöka hur vi kan förbättra inom områdena av maskininlärning och optimering. Särskilt, projektet fokuserar på tillämpningar inom två utmanande domäner: kombinatorisk optimering och behandling av biomedicinska signaler. Det nyskapande i det föreslagna tillvägagångssättet är insikten att för att uppnå oöverträffade effektivitetsvinster är det avgörande att koppla framstegen inom framväxande energisnål hårdvara till en korrekt algoritmisk abstraktion med många beräkningsprimitiver. Av denna anledning är projektet byggt kring ett nytt paradigm av beräkning-i-superposition som lovar att möjliggöra ett fullstack-beräkningsramverk där algoritmiska och implementeringsmekanismer är tätt integrerade. Men det är också här utmaningen ligger: att utveckla principerna för fullstack-beräkning som överbryggar algoritmiska och implementeringsnivåer, som stödjer många beräkningsprimitiver och som är tillämpliga på en mängd olika beräkningshårdvaror, är en grundläggande utmaning. Utfallet av denna utmaning är inte säkert men PI:s erfarenhet sätter förslaget i en fördelaktig position att ta sig an den. Om det lyckas, kommer projektets långsiktiga påverkan att ligga i det ramverk och de principer det producerar för att tillgodose de beräkningsbehov som har blivit en oumbärlig grund för våra liv.