Architecting Efficient AI Hardware with technology and architectural design space exploration

Innehåll visas utifrån dina val

Om du inte hittar någon sida, schemahändelse eller nyhet på din kurswebb kan det bero på att du inte ser den kursomgången/gruppen inom kursen som innehållet tillhör.

Veta mer om din kurswebb

Din kurswebb är sidorna för en kurs du prenumererar på. Du väljer sedan vilka omgångar/grupper inom kursen du vill ha information från. Är du registrerad på en kursomgång sköts prenumeration och val av kursomgäng automatiskt åt dig. Vill du ändra något av detta gör du det under Mina inställningar.

När du är inloggad på din kurswebb ser du:
  • Kursöversikt, nyheter och schema med information som är filtrerat utifrån dina valda omgångar/grupper inom kursen
  • Allmänna sidor för hela kursen
  • Kurswikin som är sidor som alla, lärare och studenter, kan skapa och redigera
  • Sidor som hör till de omgångar/grupper inom kursen du valt eller som valts för dig

Log in to your course web

You are not logged in KTH, so we cannot customize the content.

This course will teach the attendees how to efficiently design AI hardware that is 3-4 orders more efficient than GPUs and FPGAs. In essence, this course aims at teaching how to achieve non-incremental improvement in computational, silicon and engineering efficiencies. The course will specifically focus on widely used artificial neural networks like CNN, LSTM and SOM and show how to analyze their requirements and what are the architectural and technology options to do trade-off to find optimal solutions. The course will also cover how to do trade-off in implementation cost vs. Accuracy of neural networks.

Pre-requisite

The PhD students are expected to have a good understanding of neural networks and how they are used. Students are also expected to have a good understanding of computer architecture and digital design principles.

Teachers

Feedback News