Un doctorat généreusement financé pour un doctorant Marie-Curie, à l’Université Queen’s

Royaume-Uni
Publié il y a 1 an

Au cours de la dernière décennie, les réseaux de neurones ont gagné en popularité et sont largement utilisés dans les tâches de reconnaissance d’objets, d’analyse de données et de classification des applications de voiture intelligente, de ville et de santé. Traditionnellement, les réseaux de neurones sont conçus pour des capacités de prédiction optimales grâce à une connectivité à grande échelle et dense sans tenir compte des implémentations pratiques, et ils finissent donc par être très gourmands en calcul et gourmands en énergie. Cependant, comme les réseaux neuronaux sont de plus en plus utilisés dans divers appareils dans les environnements Edge et Cloud, où la consommation d’énergie est une préoccupation principale, l’attention de l’industrie et des utilisateurs se transforme en réseaux neuronaux écoénergétiques. À cette fin, l’objectif principal de ce projet est l’accélération des réseaux de neurones à la bonne énergie et la précision basée sur la planification dynamique des tâches et l’adaptation de la précision sur des appareils hétérogènes à la périphérie et dans le cloud. Cet objectif sera atteint en concevant de nouveaux mécanismes matériels à faible coût et en les combinant avec un support d’exécution intelligent qui garantissent que chaque tâche est adaptée avec précision et dynamiquement en fonction de la valeur informationnelle des données traitées ainsi que des conditions de fonctionnement et des ressources disponibles sur plusieurs locataires partagés environnements à la périphérie et au cloud. Les mécanismes multicouches développés permettront d’exploiter les propriétés de résilience inhérentes des NN et d’ajuster dynamiquement les contrôles de précision dépendants des données pour mettre à l’échelle de manière opportuniste l’approvisionnement en ressources pour une efficacité énergétique et une résilience évolutives. Comme étude de cas principale, nous utiliserons la reconnaissance d’objets dans les flux vidéo, ce qui est extrêmement important dans les nouvelles applications de surveillance sécurisée et de ville intelligente, y compris les voitures autonomes. Le réseau neuronal et les mécanismes seront développés sur du matériel reconfigurable, c’est-à-dire des tableaux de portes programmables sur le terrain (FPGA), qui offre la flexibilité requise pour les optimisations architecturales qui n’est pas disponible dans les processeurs existants utilisés par la plupart des travaux actuels. De tels appareils ont déjà commencé à être utilisés dans des centres de données cloud comme Amazon et sont d’excellents candidats pour les déploiements Edge émergents, que nous prévoyons d’activer davantage par les mécanismes développés. Le réseau neuronal et les mécanismes seront développés sur du matériel reconfigurable, c’est-à-dire des tableaux de portes programmables sur le terrain (FPGA), qui offre la flexibilité requise pour les optimisations architecturales qui n’est pas disponible dans les processeurs existants utilisés par la plupart des travaux actuels. De tels appareils ont déjà commencé à être utilisés dans des centres de données cloud comme Amazon et sont d’excellents candidats pour les déploiements Edge émergents, que nous prévoyons d’activer davantage par les mécanismes développés. Le réseau neuronal et les mécanismes seront développés sur du matériel reconfigurable, c’est-à-dire des tableaux de portes programmables sur le terrain (FPGA), qui offre la flexibilité requise pour les optimisations architecturales qui n’est pas disponible dans les processeurs existants utilisés par la plupart des travaux actuels. De tels appareils ont déjà commencé à être utilisés dans des centres de données cloud comme Amazon et sont d’excellents candidats pour les déploiements Edge émergents, que nous prévoyons d’activer davantage par les mécanismes développés.

Le projet rassemble des experts en conception matérielle et en vision par ordinateur de l’ECIT Global Research Institute et en prototypage FPGA de l’apprentissage automatique de XILINX Research.

Emploi et salaire:

Le chercheur sera employé comme personnel, avec le titre de chercheur en début de carrière, de l’Université Queen’s, dans le cadre d’un programme de rémunération amélioré de 28925 £ / an! Le chercheur aura accès à un programme de formation universitaire et industrielle spécialisé et rejoindra une équipe de 20 autres ECR sur les sociétés en réseau intelligentes.

Critère d’éligibilité:

Les candidats doivent être dans les quatre premières années de leur carrière de recherche et ne doivent pas avoir obtenu un doctorat. Les chercheurs ne doivent pas avoir résidé ou exercé leur activité principale au Royaume-Uni pendant plus de 12 mois au cours des 3 dernières années.

Critères souhaitables:

  1. Preuve de réalisations académiques exceptionnelles
  2. Preuve de compétences exceptionnelles pertinentes pour le poste, c.-à-d
    . Flux de conception FPGA, c / opencl / python, vhdl / verilog, portage d’algorithmes d’apprentissage automatique / traitement de signal sur FPGA, accélérateurs, unités arithmétiques.
  3. Avoir déjà une publication ou désireux de publier dans des conférences / revues de haut niveau.

Les candidats intéressés qui répondent aux critères d’éligibilité doivent postuler au lien avec un CV et une lettre de motivation expliquant comment ils répondent aux critères souhaitables.
Les candidats sont également fortement encouragés à contacter [email protected] avec un CV et une brève description de leurs compétences pertinentes pour indiquer leur intérêt.

DATE LIMITE D’INSCRIPTION
25/06/2020

INFORMATION ADDITIONNELLE

Site Web pour des détails supplémentaires sur le travail

Caractéristiques de l'emploi

Catégorie emploiStage et Formation

Postuler en ligne

Related Posts

Next Post

Discussion about this jobpost

error: Alert: Content is protected !!