Projekt · Dnr 2024-01778 · Källa: Vinnova
Effektiv träning av neurala nätverk
- Koordinator
- Bitynamics AB
- Projekttid
- 2024-07-29 till 2024-09-29 (avslutat)
- Beviljat bidrag
- 220 000 SEK
- Diarienummer
- 2024-01778
Beskrivning
Detta projekt syftade till att utveckla beräknings- och energieffektiva algoritmer för att träna AI-modeller i PyTorch. Arkitekturen som vi jobbade med kan parallelliseras, vilket gör inferensen ännu mer effektiv. Ett viktigt resultat är att vi nu har ett demo på effektiva algoritmer som demonstrerar hur mycket bättre de är än dagens teknik. Det blir lättare att sälja in till andra aktörer. Ett viktigt resultat är att vi nu har ett demo på effektiva algoritmer som demonstrerar hur mycket bättre de är än dagens teknik. Det blir lättare att sälja in till andra aktörer.
Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.
Liknande
-
Perfect Sense
UNIBAP AB · 2018-05-24 · 2 000 000 SEK · Projekt
Projektet har framgångsrikt uppfyllt målet av att definiera och demonstrera en prototypapplikation för användning av syntetiskt data vid träning av neurala nät. Syntetiskt data kan användas inom Unibaps systemlösningar för att förstärka träningen av neurala nät genom att reproducera defekter och där…
-
Energi-effektiv AI
Bitynamics AB · 2022-11-01 · 315 000 SEK · Projekt
Målet med projektet är att utveckla beräknings- (och därmed energieffektiva) algoritmer för att träna AI-modeller. Det är ett faktum att detta kommer att vara ohållbart i längden, eftersom det inte finns tillräckligt med energi för att tjäna alla som skulle vilja implementera AI. Vi har utvecklat ny…
-
Integrerad modellering för en hållbar och optimerad stålprocess (ProcTwin).
Swerim AB · 2023-08-01 · 500 000 SEK · Projekt
Målet med projektförslaget ProcTwin är öka energieffektiviteten och produktkvalitén vid framställningen av stål i Europa. Detta ska åstadkommas genom att utveckla ett operatörstöd som baseras på en självlärande distribuerad maskininlärningsmodell och hanterar hela processkedjor som en produktionsenh…
-
Avancerad modellering av molnåterkopplingar och klimatförändringar med AI: Implikationer för alternativ energi
Lunds universitet · 2020-11-15 · 5 634 189 SEK · Projekt
De flesta projektmålen uppnåddes. Mål 3 och 4 slutfördes dock inte, vilket hindrade SMHI från att engagera sig. Det neurala nätverket konstruerades och testades offline. Tillräcklig noggrannhet demonstrerades offline. Det fanns tio publikationer och postdoktorns rapport som erkänner Vinnovas stöd (s…
-
OPTIMERA - Optimerade CTMP processer
Chalmers Tekniska Högskola AB · 2022-02-15 · 3 551 000 SEK · Projekt
Verktyget "Status" har utvecklats och fungerar som förväntat. Projektet genomfördes parallellt med andra projekt och tillsammans har de uppnått den önskade energibesparingen. Verktyget "Status" har bidragit till jämnare drift och har därmed möjliggjort att i parallella projekt styra CTMP-processens …