Exploração de uma infraestrutura de hardware baseada em FPGA para construção de DNN de ultra baixa latência

• Processo: 19/05286-6
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 01 de outubro de 2019
• Data de Término da vigência: 30 de setembro de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Vanderlei Bonato
• Beneficiário: Vanderlei Bonato
• Pesquisador Anfitrião: Christos-Savvas Bouganis
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Imperial College London, Inglaterra
• Assunto(s): Circuitos FPGA
• Palavra(s)-Chave do Pesquisador: Cnn | Fpga | Lstm | Ultra baixa latência | Computação Reconfigurável, Redes Neurais Embarcadas

Resumo

A adoção de Redes Neurais Profundas em sistemas de tempo real requer atenção especial à latência do estágio de inferência da rede. O atraso da propagação do sinal através das camadas depende fortemente da organização da memória, do balanço da conectividade da rede e do nível de paralelismo associado à complexidade das operações. Trabalhos recentes demonstram resultados promissores a partir de técnicas de exploração do espaço de projeto usando métricas multi-objetivas, considerando latência, precisão e recursos computacionais. Porém, quando a ultra baixa latência é desejada o desafio permanece, pois neste caso há uma grande pressão sobre os recursos computacionais, demandando não apenas melhoramentos arquiteturais, mas também otimizações orientadas ao problema providas por meio de componentes de hardware fortemente customizados. Este projeto de pesquisa busca explorar as condições que habilitam a construção de redes neurais de ultra baixa latência de modelos de redes do tipo CNN e LSTM em FPGAs, tendo como estudo de caso o problema de HFT (do inglês, High Frequency Trading). (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

BONATO, VANDERLEI; BOUGANIS, CHRISTOS-SAVVAS. Class-specific early exit design methodology for convolutional neural networks. APPLIED SOFT COMPUTING, v. 107, AUG 2021. (19/05286-6)