| Resumen | Este Trabajo de Fin de Máster propone el diseño e implementación de un sistema de aprendizaje automático (Machine Learning, ML) eficiente y robusto orientado a procesadores de bajo consumo con recursos restringidos.
Se utilizará la arquitectura de conjunto de instrucciones libre y abierta RISC-V. La investigación se centra en el desarrollo de extensiones de instrucciones a medida integradas directamente en el procesador, que optimicen las operaciones críticas de los algoritmos de ML para reducir la latencia y la energía consumida por inferencia. Para garantizar la fiabilidad del sistema, se incorporan técnicas para evaluar la incertidumbre de los modelos.
La arquitectura propuesta se validará tanto en simulación, como en una implementación en un una plataforma programable (FPGA), evaluando el impacto real en términos de área, consumo energético, rendimiento (TOPS/W) y calibración de las predicciones y sus incertidumbres asociadas. |
|---|