•
Если человек ощущает свое участие в жизни общества, он создает не только материальные ценности для людей - он создает и самого себя. Из работы, в которой ярко выражен дух гражданственности, начинается истинное самовоспитание.
Афоризмы
•
Поистине, подобно солнцу, люблю я жизнь и все глубокие моря. И вот что называю я познанием: чтобы все глубокое поднялось на высоту мою!
Афоризмы
•
- «Оставайтесь голодными. Оставайтесь безрассудными». И я всегда желал себе этого. И теперь, когда вы заканчиваете институт и начинаете заново, я желаю этого вам.
Афоризмы
•
Воспитание личности - это воспитание такого стойкого морального начала, благодаря которому человек сам становится источником благотворного влияния на других, сам воспитывается и в процессе самовоспитания еще более утверждает в себе собственное моральное начало.
На этой неделе бельгийский исследовательский центр Imec представил общеевропейский проект «TEMPO». Проект финансируется фондом ECSEL Joint Undertaking и рассчитан на три года. Решением поставленных в проекте задач будут заниматься 19 исследовательских и производственных коллективов из нескольких стран Европейского Союза. Целью TEMPO ставится разработка техпроцессов и аппаратной платформы для ускорения машинного обучения с интеграцией в состав мобильных устройств с батарейным питанием.
Сегодня платформы для ML в основном реализованы на базе серверных стоек и доступны через облачные сервисы. При успешном завершении проекта TEMPO машинным обучением смогут заниматься даже смартфоны, как и самоуправляемые автомобили. В целом речь идёт о разработке решений для пограничных (периферийных) устройств и вещей с подключением к Интернету. Важнейшим условием создания высокоэффективных мобильных платформ для машинного обучения считается переход на перспективную энергонезависимую память. Память NAND плохо подходит для решения подобных задач. Вычисления желательно проводить непосредственно в тех ячейках, где хранятся данные, что требует ускоренного доступа и снижения задержек.
В качестве памяти для будущих мобильных ML-платформ рассматриваются магниторезистивная память MRAM (разработчик - Imec), ферроэлектрическая память FeRAM (Fraunhofer) и резистивная память RRAM (CEA-Leti). Одна или несколько разновидностей представленной памяти будут использованы в процессорах (ускорителях) нейронных сетей. Это будет ускоритель как для современных нейронных сетей для глубокого машинного обучения (DNN) так и ускоритель для перспективных спайковых нейронных сетей (SNN).
Разработанный в рамках проекта ускоритель должен наиболее эффективно работать в 8 случаях использования от решения потребительских задач до автомобилей и медицины. Это голосовое управление ассистентами, распознавание лиц (безопасность) и другое. Выполнять все эти и многие другие работы на удалённых сервисах сегодня стоить денег и энергии, а также сопровождается задержками, что по многим причинам неприемлемо. Серверная стойка должна переместится в задний карман, как коротко представили разработку в Imec.
На этой неделе бельгийский исследовательский центр Imec представил общеевропейский проект «TEMPO». Проект финансируется фондом ECSEL Joint Undertaking и рассчитан на три года. Решением поставленных в проекте задач будут заниматься 19 исследовательских и производственных коллективов из нескольких стран Европейского Союза. Целью TEMPO ставится разработка техпроцессов и аппаратной платформы для ускорения машинного обучения с интеграцией в состав мобильных устройств с батарейным питанием. Сегодня платформы для ML в основном реализованы на базе серверных стоек и доступны через облачные сервисы. При успешном завершении проекта TEMPO машинным обучением смогут заниматься даже смартфоны, как и самоуправляемые автомобили. В целом речь идёт о разработке решений для пограничных (периферийных) устройств и вещей с подключением к Интернету. Важнейшим условием создания высокоэффективных мобильных платформ для машинного обучения считается переход на перспективную энергонезависимую память. Память NAND плохо подходит для решения подобных задач. Вычисления желательно проводить непосредственно в тех ячейках, где хранятся данные, что требует ускоренного доступа и снижения задержек. В качестве памяти для будущих мобильных ML-платформ рассматриваются магниторезистивная память MRAM (разработчик - Imec), ферроэлектрическая память FeRAM (Fraunhofer) и резистивная память RRAM (CEA-Leti). Одна или несколько разновидностей представленной памяти будут использованы в процессорах (ускорителях) нейронных сетей. Это будет ускоритель как для современных нейронных сетей для глубокого машинного обучения (DNN) так и ускоритель для перспективных спайковых нейронных сетей (SNN). Разработанный в рамках проекта ускоритель должен наиболее эффективно работать в 8 случаях использования от решения потребительских задач до автомобилей и медицины. Это голосовое управление ассистентами, распознавание лиц (безопасность) и другое. Выполнять все эти и многие другие работы на удалённых сервисах сегодня стоить денег и энергии, а также сопровождается задержками, что по многим причинам неприемлемо. Серверная стойка должна переместится в задний карман, как коротко представили разработку в Imec.