Schválené projekty 2016

Rozdělení přidělené dotace z MŠMT na specifický vysokoškolský výzkum po fakultách se zohledněním celoškolských pracovišť na rok 2016

Celková přidělená částka z MŠMT na specifický vysokoškolský výzkum na VŠB-TUO - 55 896 914 Kč

Z toho 2.5% - 1 397 423 Kč - úhrada způsobilých nákladů spojených s organizací SGS

fakulta přidělená částka v Kč
FBI  1 270 231
EKF  4 459 400
FAST  2 765 016
FS  9 344 371
FEI 13 781 413
HGF  5 130 549
FMMI  7 000 000
VC 10 748 511
CELKEM 54 499 491

KódSP2016/180
Název projektuHigh Parallel Deep Belief Nets
ŘešitelBuček Petr Ing.
Školitel projektuprof. RNDr. Václav Snášel, CSc.<br />
Období řešení projektu01.01.2016 - 31.12.2016
Předmět výzkumuZa jedno z velice zajímavých témat poslední doby v oblasti umělé inteligence lze považovat oblast deep belief nets. Strukturou se tyto sítě daleko více blíží struktuře lidského mozku v porovnání s tradičními neuronovými sítěmi. Zahrnují v sobě proces, díky kterému jsou takovéto sítě schopny naučit se abstraktním pojmům odvozených z jednodušších základů. V rámci projektu by byly rozvíjeny vysoce paralelní metody, kterých je potřeba z důvodu toho, že tyto sítě jsou například schopny brát v úvahu miliony parametrů pro rozpoznání složitých tvarů za stále odolnosti vůči přeučení.
Členové řešitelského týmuIng. Michal Běloch
Ing. Michal Béreš
Ing. Clare Schenk
Ing. Simona Domesová
Ing. Jana Nowaková, Ph.D.
prof. RNDr. Václav Snášel, CSc.
Specifikace výstupů projektu (cíl projektu)Cíle projektu a očekávané výstupy
Hluboké učení [1, 2, 3] je skupina moderních algoritmů strojového učení s velkým potenciálem a možnostmi použití v oblasti neuronových sítí (artificial neural networks - ANN). Významný rozdíl mezi běžnými neuronovými sítěmi a algoritmy hlubokého učení leží v systematických pokusech, při kterých je snaha naučit model různé úrovně abstrakce včetně takových, jakých je schopen běžně schopen pouze člověk. Architektura klasického systému hlubokého učení se skládá z mnoha vrstev, složených z potenciálně velkého počtu nelineárních jednotek, které zpracovávají signály [4]. Mezi cíle tohoto projektu tedy patří:
• Průzkum použitelnosti existující implementace cuDNN [5, 6] a případně dalších paralelních implementací v multi-node prostředí (paralelní úlohy a data).
• Vyhodnotit efektivitu nasazení pro vysoce paralelní, distribuované a HPC prostředí.
• Aplikace hlubokého učení v oblasti dolování dat a rozpoznávání vzorů.
• Vyhodnocení nových algoritmů založených na metodě hlubokého učení (vícevrstvé dolování dat a popřípadě další hybridní metody).

Navrhovaný projekt přispěje k efektivnímu použití HPC prostředí pro hluboké učení, dolování dat a získávání znalostí. Bude také využívat cluster IT4I (Anselm a Salomon) a může pomoci zvýšit teoretické a praktické znalosti o hlubokém učení a těchto metodách jako takových.
Výsledky projektu budou publikovány ve formě recenzovaných publikací (Scopus, WoS).

Postup řešení
Základem bude prostudovat aktuálně dostupné znalosti kolem Deep Belief Networks, možnosti použití a implementací této metody a způsoby, jakými je možné výpočty DBN efektivně paralelizovat na dnes dostupných hardwarových platformách. Cílem je prozkoumat běh této metody na platformě Intel Xeon a akcelerátorech Intel Xeon Phi, dostupných na superpočítači Salomon, s využitím všech dostupných optimalizací. Dále pak případná paralelizace v clusteru nad technologiemi jako Compute Unified Device Architecture (CUDA, cuDNN). Závěrem pak může být i zahájení vlastní implementace Deep Belief Networks s případným využitím některé z předem jmenovaných technologií, která by probíhala v jazycích C a C++.

Zdroje
[1] P. Verbancsics and J. Harguess, “Generative neuroevolution for deep learning,” CoRR, vol. abs/1312.5355, 2013.
[2] C. Chin and D. E. Brown, “Learning in science: A comparison of deep and surface approaches,” Journal of Research in Science Teaching, vol. 37, no. 2, pp. 109–138, 2000.
[3] J. Schmidhuber, “Deep learning in neural networks: An overview,” Neural Networks, vol. 61, no. 0, pp. 85 – 117, 2015.
[4] L. Deng and D. Yu, Deep Learning: Methods and Applications. Foundations and trends in signal processing, Now Publishers, 2014.
[5] S. Chetlur, C. Woolley, P. Vandermersch, J. Cohen, J. Tran, B. Catanzaro, and E. Shelhamer, “cudnn: Efficient primitives for deep learning,” CoRR, vol. abs/1410.0759, 2014.
[6] A. Lavin, “maxdnn: An efficient convolution kernel for deep learning with maxwell gpus,” CoRR, vol. abs/1501.06633, 2015.

Rozpočet projektu - uznané náklady

NávrhSkutečnost
1. Osobní náklady
Z toho
0,-0,-
1.1. Mzdy (včetně pohyblivých složek)0,-0,-
1.2. Odvody pojistného na veřejné zdravotně pojištění a pojistného na sociální zabezpečení a příspěvku na státní politiku zaměstnanosti0,-0,-
2. Stipendia60000,-60000,-
3. Materiálové náklady0,-0,-
4. Drobný hmotný a nehmotný majetek0,-0,-
5. Služby0,-0,-
6. Cestovní náhrady66000,-66000,-
7. Doplňkové (režijní) náklady max. do výše 10% poskytnuté podpory14000,-14000,-
8. Konference pořádané VŠB-TUO k prezentaci výsledků studentského grantu (max. do výše 10% poskytnuté podpory)0,-0,-
9. Pořízení investic0,-0,-
Plánované náklady140000,-
Uznané náklady140000,-
Celkem běžné finanční prostředky140000,-140000,-