Soluções baseadas em Aprendizado de Máquina (AM) são utilizadas em diversos sistemas computacionais para solucionar problemas difíceis que não possuem solução utilizando algoritmos tradicionais. Atualmente, aplicações voltadas ao processamento de sinais visuais têm utilizado técnicas de AM para as mais diversas aplicações, como compressão [1] e melhorias na qualidade da visualização [2]. Os resultados obtidos nessas pesquisas mostram que é possível atingir resultados melhores comparados ao estado da arte com modelos de AM. No entanto, as operações de AM muitas vezes envolvem um número elevado de sistemas computacionais com recursos limitados de energia (e.g., dispositivos móveis). Portanto, soluções que buscam reduzir o custo computacional e energético dessas operações são de extrema importância para permitir a ampla utilização de sistemas baseados em AM. O objetivo deste projeto é analisar e desenvolver soluções em software e hardware para reduzir o consumo energético de operações de Aprendizado de Máquina. O foco principal deste trabalho será em modelos de Perceptron, buscando formas de otimizar esses modelos com relação ao número de operações e de acessos à memória. Inicialmente, as soluções existentes na literatura serão estudadas e replicadas, a fim de se entender melhor os desafios envolvidos e ter uma base sólida de comparação. Em seguida, novas soluções serão desenvolvidas e comparadas com os demais trabalhos, buscando atingir um consumo menor de energia para a mesma taxa de processamento. Para obter o consumo energético das soluções, as ferramentas de síntese ASIC (Application-Specific Integrated Circuit) da Synopsys serão utilizadas. O acesso a essas ferramentas será feito de forma remota através dos servidores do laboratório ECL, no qual o bolsista está inserido. 

Cronograma:

Meses 1-4 - estudo da literatura e do fluxo de desenvolvimento ASIC

Meses 5-10 - desenvolvimento de soluções e apuração de resultados

Meses 11-12 - escrita de relatório e de artigo científico 

Referências:

[1] Grellert, M., da Silva Cruz, L. A., Zatt, B., & Bampi, S. (2021). Coding mode decision algorithm for fast HEVC transrating using heuristics and machine learning. Journal of Real-Time Image Processing, 1-16.

[2] Vimala, C., & Priya, P. A. (2019). Artificial neural network based wavelet transform technique for image quality enhancement. Computers & Electrical Engineering, 76, 258-267.