Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Learning models and optimization algorithms for static variable precision tuning in the transprecision computing area |
|---|---|
| Titolo del progetto di ricerca in inglese | Learning models and optimization algorithms for static variable precision tuning in the transprecision computing area |
| Campo principale della ricerca | Engineering |
| Sottocampo della ricerca | Computer engineering |
| Settore Concorsuale | 09 - Ingegneria industriale e dell'informazione |
| S.S.D | - |
| Descrizione sintetica in italiano | L'obiettivo è lo sviluppo di soluzioni per la selezione statica della precisione di variabili Floating-Point (FP), mirando alla riduzione dei consumi energetici rispettando vincoli sull'errore associato alla computazione. Questo lavoro si concentrerà sullo sviluppo di modelli di apprendimmento automatico (Machine Learning, ML) per predirre l'errore di computazione associato a diverse configurazioni di precisione , modelli anche in grado di stimare il livello di incertezza associato alle predizioni stesse. Questi modelli predittivi dovranno anche prendere in considerazione i possibili diversi dati presi in ingresso dalle applicazioni scientifiche. I modelli dovranno essere integrati in un sistema di ottimizzazione per la selezione delle precisioni ottimali , per diminuire i consumi energetici, mantenendo al tempo stesso sufficiente accuratezza. La valutazione dei metodi proposti avverà su un simulatore architetturale utilizzando applicazioni reali adattate a tale scopo. |
| Descrizione sintetica in inglese | The purpose is to design solutions for the problem of static Floating-Point (FP) variables precision tuning, for reducing energy consumption but tolerable computation errors. The end goal for this activity is the analysis and study of AI methods for the optimal precision assignment for FP variables in scientific applications. Understanding the impact of different data set fed as input to the scientific benchmarks is an open question still unexplored by state-of-the-art methods. This work will be focused on the development of ML models to predict the computation error associated with different configurations of variable precision, and capable of estimating the degree of confidence about the prediction made. Such ML models will be integrated in a optimization framework for the optimal tuning of the FP variables. The evaluation of the proposed methods will take place on an architectural simulators, using real application that have been adapted to this context. |
| Data del bando | 21/09/2020 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
All |
| Nazionalità dei candidati |
All |
| Sito web del bando | https://bandi.unibo.it/ricerca/assegni-ricerca |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Criteri di selezione in italiano (breve descrizione) | il bando e la modulistica per partecipare alla procedura di valutazione comparativa sono disponibili all'indirizzo: https://bandi.unibo.it/ricerca/assegni-ricerca |
| Criteri di selezione in inglese (breve descrizione) | to apply for research grants fill out the form available at the following address: https://bandi.unibo.it/ricerca/assegni-ricerca |
| Nome dell'Ente finanziatore | ALMA MATER STUDIORUM - UNIVERSITA' DI BOLOGNA - - DIPARTIMENTO DI INFORMATICA - SCIENZA E INGEGNERIA |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Bologna |
| Sito web | http://www.unibo.it |
| marco.difelice3@unibo.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | H2020 |
|---|
| Data di scadenza del bando | 08/10/2020 - alle ore 00:00 |
|---|---|
| Come candidarsi | Other |