| KEYWORD |
Metodi innovativi di ricerca architetturale di reti neurali per il miglioramento dell'accuratezza e l'affidabilità su microcontrollori
Parole chiave AFFIDABILITA', APPRENDIMENTO PROFONDO, ARTIFICIAL INTELLIGENCE, INIEZIONE, RETI NEURALI CONVOLUZIONALI, TESTING
Riferimenti DANIELE JAHIER PAGLIARI, ANNACHIARA RUOSPO, EDGAR ERNESTO SANCHEZ SANCHEZ
Riferimenti esterni ALESSIO BURRELLO
Gruppi di ricerca DAUIN - GR-05 - ELECTRONIC CAD and RELIABILITY GROUP - CAD, DAUIN - GR-06 - ELECTRONIC DESIGN AUTOMATION - EDA
Tipo tesi SPERIMENTALE, SVILUPPO SOFTWARE
Descrizione Le reti neurali hanno dimostrato un'enorme potenzialità nell'elaborazione di dati complessi e nella risoluzione di problemi in vari settori. Tuttavia, l'affidabilità di tali reti in applicazioni critiche è diventata un aspetto cruciale da affrontare. Questa proposta di tesi si focalizza sull'esplorazione di metodi innovativi di ricerca architetturale di reti neurali, che tengano conto sia dell'accuratezza che dell’affidabilità del modello tramite l'iniezione controllata di guasti durante il training.
Obiettivi:
L'obiettivo principale di questa tesi è sviluppare approcci innovativi per migliorare simultaneamente l'accuratezza e l’affidabilità delle reti neurali, mentre ne si riduce la latenza.
Gli obiettivi specifici includono:
- Valutare l'efficacia delle architetture di reti neurali, utilizzando diverse tecniche di iniezione di guasti, in termini di accuratezza e affidabilità dei modelli;
- Confrontare varie architetture di reti neurali ottenute grazie alla ricerca architetturale senza considerare l’affidabilità, per comprendere i trade-offs esistenti;
- Proporre metodi e strategie per la progettazione di reti neurali che bilancino in modo ottimale l'accuratezza e l’affidabilità.
Metodologia proposta:
La ricerca sarà condotta attraverso un approccio sperimentale che comprende le seguenti fasi:
- Ricerca bibliografica approfondita per acquisire una panoramica completa delle attuali tecniche di ricerca architetturale di reti neurali e delle problematiche legate all'accuratezza e all’affidabilità;
- Studio e identificazione delle possibili fonti di guasti o malfunzionamenti che possono verificarsi durante il deployment delle reti neurali;
- Studio di tecniche di iniezione controllata di guasti, che permettano di introdurre guasti specifici durante il training delle reti neurali;
- Implementazione e valutazione delle architetture di reti neurali, utilizzando diversi datasets e tecniche di iniezione di guasti;
- Analisi dei risultati sperimentali per valutare l'accuratezza e l’affidabilità dei modelli proposti, confrontandoli con reti neurali tradizionali;
- Proposta di metodi e strategie per la ricerca di reti neurali che tengano conto sia dell'accuratezza che dell’affidabilità.
Conoscenze richieste Sono richieste buone capacità di programmazione in C e Python. E’ richiesta la conoscenza di base delle architetture dei calcolatori e dei sistemi embedded. E’ richiesta anche la conoscenza del deep learning e dei corrispondenti modelli. E’ inoltre utile (ma non strettamente necessaria) una minima familiarità con i concetti alla base del testing e della fault tolerance.
Scadenza validita proposta 30/12/2022
PROPONI LA TUA CANDIDATURA