You can always reach out at our contacts to discuss other possible research topics.
Neuromorphic Computing Hardware for Low-Power Edge-AI
The goal of the research is to design and test new sustainable hardware platforms for energy-efficient, low carbon footprint neuro-inspired computing, taking inspiration from the mechanisms that underlie learning processes in the human brain. The specific objective will be the strong reduction of energy consumption for specific AI edge applications (inference, prediction, recognition), which will be mapped to equivalent CO2 footprint reduction per operation, to strongly decrease the impact of artificial intelligence technologies on ongoing climate change processes.
Phd Candidate Profile: The candidate is supposed to have M.Sc. degree in Electronic Engineering featuring a strong background, and possibly some proved experience, in electrical characterization and compact modeling of nano-electronic devices, preferably memristive ferroelectric devices (e.g., FTJ, FeFET, RRAM). He/she will be involved in activities that will range from the electrical characterization and compact modeling of innovative electro-synaptic devices to the design of innovative neural circuits and neuro-synaptic architectures, all the way up to the lab-level demonstration of the potential of the proposed neuro-inspired architecture. Experience in team-work and on participation to distributed research (e.g., involvement in international projects) is a plus.
Supporting Research Project: H2020 BeFerroSynaptic
Possible Collaborations with Following Research Partners:
NaMLab gGmbH (Germany)
CEA-Leti (France)
Applied Materials Italia (Italy)
King Abdullah University of Science and Technology (Saudi Arabia)
(Italiano) Hardware neuro-ispirato per computazione avanzata ad alta efficienza energetica
L’obiettivo della ricerca è progettare e testare nuove piattaforme hardware sostenibili per il calcolo neuro-ispirato ad alta efficienza energetica e bassa impronta di CO2, prendendo ispirazione dai meccanismi che sottendono i processi di apprendimento nel cervello umano. Obiettivo specifico sarà la forte riduzione del consumo energetico per specifiche applicazioni edge AI (inferenza, previsione, riconoscimento), che verranno mappati in termini di riduzione dell’impronta di CO2 equivalente per operazione, per diminuire fortemente l’impatto delle tecnologie di intelligenza artificiale sui processi di cambiamento climatico in corso.
Profilo del candidato (indicativo): Il candidato deve essere in possesso del titolo di Laurea Magistrale in Ingegneria Elettronica e avere conoscenze e possibilmente esperienza (provata) nella caratterizzazione elettrica e modellizzazione compatta di dispositivi nano-elettronici, preferibilmente dispositivi ferroelettrici memristivi (FTJ, FeFET, FeRAM). Il candidato svolgerà le seguenti attività: caratterizzazione elettrica e modellizzazione compatta di dispositivi elettro-sinaptici innovativi, progettazione di circuti neurali e architetture neuro-sinaptiche, fino alla dimostrazione prototipale delle architetture sviluppate. Esperienza pregressa nell’ambito di gruppi di ricerca e nel lavoro di gruppo in generale è considerata un plus.
Progetto di riferimento: H2020 BeFerroSynaptic
Possibili collaborazioni con i seguenti Partner di Ricerca:
NaMLab gGmbH (Germania)
CEA-Leti (Francia)
Applied Materials Italia (Italia)
King Abdullah University of Science and Technology (Arabia Saudita)