Hållbar maskininlärning
Med hållbar maskininlärning behöver du inte välja mellan banbrytande teknik och att skydda planeten. Vårt team för hållbar maskininlärning optimerar varje steg – från algoritmdesign till driftsättning – och minimerar miljöpåverkan samtidigt som resultaten maximeras.
Våra projekt inom hållbar maskininlärning är utformade för att uppnå följande centrala mål:
Energieffektivitet: Minska energiförbrukningen genom att designa energieffektiva neurala nätverk, förbättra mjukvaruutvecklingsprocesser, optimera modeller samt använda energisnål, smart hårdvara såsom mikrokontrollers m.m.
Minskade koldioxidutsläpp: Minimera koldioxidavtrycket genom att skapa distribuerad AI i hela spektrumet från moln till edge (cloud-to-edge) samt genom att driftsätta lösningar på edge-enheter m.m.
Hållbarhetsprinciper: Utveckla maskininlärningslösningar som ligger i linje med globala hållbarhetsmål, särskilt FN:s globala mål för hållbar utveckling (SDG:erna). Varje projekt vägleds av principerna för ansvarsfull AI och miljömässigt ansvarstagande, vilket säkerställer att vårt arbete inte bara driver teknologisk innovation framåt utan också bidrar till en mer hållbar och hälsosam planet.
Så kan du engagera dig
Vi söker alltid samarbetspartners som brinner för hållbar maskininlärning. Oavsett om du är forskare, data scientist, industriledare eller annan intressent kan ditt bidrag hjälpa till att flytta fram gränserna för miljövänlig AI.
Samarbetsmöjligheter
Forskningssamarbeten: Samarbeta med vårt forskarteam för att tillsammans utveckla hållbara AI-modeller och bidra till publikationer i ledande vetenskapliga tidskrifter och konferenser.
Industrisamarbeten: Samarbeta med oss för att integrera hållbara maskininlärningslösningar i din verksamhet och därigenom minska både kostnader och miljöpåverkan.
Finansieringsmöjligheter: Stöd vår vision om en hållbar AI-framtid genom forskningsanslag och sponsring.
Kontakta oss
För frågor, samarbeten eller mer information om våra projekt inom hållbar maskininlärning är du välkommen att kontakta oss:
Projekt
Masteruppsatser (MSc theses)
2017 – Andreas Ternstedt, Pattern recognition with spiking neural networks and the ROLLS low-power online learning neuromorphic processor, länk till uppsats, nyhetsartikel
2018 – Mattias Nilsson, Monte Carlo Optimization of Neuromorphic Cricket Auditory Feature Detection Circuits in the Dynap-SE Processor, länk till uppsats
2019 – Oskar Öberg, Critical Branching Regulation of the E-I Net Spiking Neural Network Model, länk till uppsats, samarbete
2021 – Olof Johansson, Training of Object Detection Spiking Neural Networks for Event-Based Vision, länk till uppsats
2022 – Kim Petersson Steenari, A neuromorphic approach for edge use allocation, länk till uppsats, samarbete
Doktorsavhandlingar (PhD theses)
2023 – Mattias Nilsson, Event-Driven Architectures for Heterogeneous Neuromorphic Computing Systems, länk
Tillsammans kan vi använda AI:s kraft för att skapa en mer hållbar och miljömedveten framtid. Utforska, innovera och samarbeta med oss inom projekt för hållbar maskininlärning!