Petr Dobias à la conférence HiPEAC

La conférence HiPEAC est le premier forum européen pour les experts en architecture informatique, modèles de programmation, compilateurs et systèmes d’exploitation pour les systèmes généraux, embarqués et cyber-physiques. En raison de la pandémie de COVID-19, depuis janvier 2020, c’est la première fois que cet événement scientifique phare se déroulait en présentiel !

Petr DOBIAS, enseignant-chercheur à l’école d'ingénieurs ESIEE-IT a pu expliquer ses travaux de recherche lors de l'atelier sur la conception et les architectures pour le traitement des signaux et des images (DASIP). Un colloque international affilié à la conférence HiPEAC qui met en avant les dernières innovations et développements dans le domaine du traitement des signaux, des images et des vidéos et de l’apprentissage automatique intégré sur mesure, les architectures et le Cloud-Computing.

La publication scientifique de Petr DOBIAS s'intitule “Étude comparative des algorithmes d’ordonnancement d’un réseau de neurones convolutif sur des architectures multicoeurs”. Un travail de recherche mené en collaboration avec 4 enseignants-chercheurs de Sorbonne Université - LIP6.

Son travail de recherche consistait à comparer des algorithmes de placement et d'ordonnancement des réseaux de neurones convolutifs sur des systèmes à faible puissance, avec différents processeurs. Le papier compare de manière expérimentale trois algorithmes de placement des réseaux de neurones convolutifs sur les systèmes embarqués à deux niveaux différents (celui de neurones et celui de couches) et évalue leurs performances en termes de longueur du placement et de consommation énergétique...

Les résultats montrent que l’algorithme nommé SNN est plus performant que les deux autres algorithmes (STD et STS) et que le placement au niveau de couches permet de réduire la consommation énergétique de manière significative. Le but est de trouver des algorithmes qui permettent aux réseaux de neurones convolutifs de consommer peu d’énergie et / ou d’exécuter en peu de temps. Un problème lié au Green-it afin, notamment, de pouvoir équiper des objets connectés qui fonctionnent avec des ressources énergétiques limitées, comme  l’énergie solaire. 

Un réseau de neurones convolutif est un réseau de neurones artificielles composé de 3 types de couches pour 3 types d’opérations différentes : la convolution entre un filtre et une image ; le Pooling qui consiste à réduire la taille des images, tout en préservant leurs caractéristiques importantes et les dernières couches Fully-connected qui permettent de dégager des probabilités et de classifier l'image.

Les réseaux de neurones convolutifs sont progressivement déployés dans des systèmes embarqués notamment dans l’automobile pour reconnaître l’image et activer un ordre : est-ce un chat qui traverse devant la voiture ou une branche d'arbre ? Est-ce que la voiture doit freiner en urgence ou pas ?

Un domaine de recherche qui appartient au Deep-learning (apprentissage profond), qui est un sous-domaine du Machine-learning (apprentissage automatique) lui-même une sous-catégorie de l’Intelligence Artificielle.

Suite à cette conférence, Petr DOBIAS a été sélectionné pour poursuivre sa recherche et enrichir son papier afin de le soumettre à la publication d’un journal scientifique. Une belle opportunité qui lui offrirait une nouvelle distinction scientifique internationale. L’enseignant chercheur souhaite continuer ses travaux de recherche dans ce domaine, tout en se focalisant sur un thème connexe. Puis, il mettra sûrement en application ses résultats de recherche sur des systèmes embarqués à basse et faible consommation avec des industriels.  

Par Diane DUSSUD