Lê, Minh Tri
[VerfasserIn]
;
Université Grenoble Alpes
[MitwirkendeR];
Arbel, Julyan
[MitwirkendeR];
De Foras, Etienne
[MitwirkendeR]
Deep Learning contraint pour la résolution de problèmes algorithmiques appliqués aux capteurs MEMS (Microsystème Electromécanique) ; Constrained deep learning for MEMS sensors-based applications
Titel:
Deep Learning contraint pour la résolution de problèmes algorithmiques appliqués aux capteurs MEMS (Microsystème Electromécanique) ; Constrained deep learning for MEMS sensors-based applications
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
L'apprentissage profond est devenu une technique puissante pour résoudre des problèmes complexes dans de nombreux domaines, grâce à sa capacité à apprendre et à modéliser des relations non linéaires complexes à partir de données. Cependant, la puissance de calcul, la mémoire et les besoins énergétiques substantiels des modèles d'apprentissage profond les rendent inadaptés au déploiement sur des systèmes à ressources limitées. Parallèlement, l'émergence des capteurs microélectromécaniques (MEMS), des microcontrôleurs (MCUs) et de l'Internet des objets (IoT) a entraîné un nombre croissant d'applications qui dépendent de systèmes embarqués pour le traitement local des données et pouvant interagir avec l'environnement.L'intersection de l'apprentissage profond et des systèmes embarqués a donné naissance au domaine du tinyML, qui offre à la fois des opportunités et des défis significatifs. Le principal défi consiste à adapter les techniques d'apprentissage profond pour fonctionner efficacement sur des systèmes MEMS ultra basse consommation avec des ressources et des opérations limitées, tout en maintenant des niveaux de performance acceptables.Cette thèse vise à fournir des stratégies pour optimiser et déployer des modèles d'apprentissage profond dans des contextes ultra basse consommation pour des applications basées sur des MEMS. Nous étudions d'abord les méthodes de compression de modèles, telles que l'élagage, la distillation de connaissance et la quantification. Ensuite, nous permettons le déploiement de bout en bout de modèles d'apprentissage profond pour une inférence efficace sur les MCUs les plus limitées en ressources de l'industrie. Enfin, nous présentons une nouvelle approche pour généraliser le processus de quantification, compatible avec n'importe quel nombre de bits et en s'étendant à des niveaux de quantification extrêmes, tels que 1 bit.Les résultats de cette recherche contribuent à l'avancement du domaine tinyML et permettent une adoption plus large des systèmes de détection intelligents embarqués ...