Hocheffiziente und flexible Deep Learning-Bausteine für Arm- und Power-Prozessoren

Deep Learning (DL) hat sich innerhalb des letzten Jahrzehnts als unersetzbares Werkzeug für eine Vielzahl von Problemstellungen etabliert. Allerdings benötigen DL-basierte Verfahren einen immensen Bedarf an Rechenkraft und Energie. Innovationen, welche Training und Inferenz von tiefen neuronalen Netzwerken beschleunigen sind daher gefragt. 

Ziel des Forschungsprojekts von Professor Breuer ist die prototypische Einführung von Tensor Processing Primitives (TPPs) als Bausteine für Deep Learning-Operationen. Im Gegensatz zu anderen Ansätzen, sind TPPs portabel und flexibel und können auf beliebiger Hardware implementiert werden. Das übergeordnete Ziel ist es, durch den Einsatz von TPPs die Ausführungszeiten zu optimieren und so den Energiebedarf von Deep Learning zu reduzieren.