Geração de Código Eficiente para Modelos de Aprendizagem Profunda em Computação Científica

• Processo: 25/00406-4
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 31 de março de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Guido Costa Souza de Araújo
• Beneficiário: Thais Aparecida Silva Camacho
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/08293-7 - CECC - Centro de Engenharia e Ciências Computacionais, AP.CEPID
• Assunto(s): Aprendizagem profunda Montadores e compiladores Computação de alto desempenho
• Palavra(s)-Chave do Pesquisador: aprendizagem profunda | Compiladores | Computacão de Alto Desempenho | Compiladores para Modelos de Aprendizagem Profunda

Resumo

Modelos de aprendizagem profunda têm-se tornado cruciais em vários domínios e aplicações que se beneficiam da computação científica. Além disso, o tempo de execução desses modelos é crítico para atender às demandas cada vez maiores em muitas áreas, como na computação científica. Um exemplo é o problema de previsão de propriedades moleculares, pois o tempo de execução do modelo é um fator crucial quando o sistema precisa realizar várias previsões em tempo real. Nesse contexto, os compiladores desempenham um papel importante para permitir a geração automática de código de alto desempenho para vários modelos de aprendizagem profunda em diferentes dispositivos. No entanto, os compiladores existentes possuem algumas limitações que prejudicam a otimização dos modelos. O principal objetivo deste projeto de doutorado é melhorar a usabilidade, a qualidade do código gerado e o tempo de compilação de compiladores de modelos de aprendizagem profunda.