Francesco Conti

Esempi di tesi o progetti disponibili, si consiglia di contattare comunque il docente per eventuali proposte aggiuntive o aggiornate e collaborazioni con enti esterni.

Architettura e design di hardware digitale per Deep Learning

Tesi o progetti disponibili per studenti della sola Laurea Magistrale:

1. Precision-Reconfigurable Tensor Processing Units for Ultra-Low Power Inference & Learning
2. Programmable Dispatching for Flexible Stationarity Neural Processing Unit
3. Integrating SRAM-Based Analog In-Memory Computing into a Digital Neural Processing Unit
4. Configurable Ultra-Low-Latency High-Bandwidth Memory Interconnection for Heterogeneous Accelerator Support
5. Emulation of Error-Injectable Memories for High-Resilience, Low-Power Deep Neural Networks
   

Tesi o progetti disponibili per studenti della Laurea triennale (maggiore impegno) o Laurea Magistrale:

1. Definizione di un testbench per on-chip interconnect a banda elevata e latenza ultra-bassa per integrazione di acceleratori hardware
   
2. Esplorazione e confronto fra architetture digitali sistoliche e non-sistoliche ad elevato fanout per l'accelerazione di reti neurali in Neural Processing Units
   

Sistemi Embedded / Microcontrollori

Tesi o progetti disponibili per studenti della sola Laurea Magistrale:

1. Dynamic Linking of Code to Enable Highly-Scalable Deployment of Deep Neural Networks on Memory-Constrained Platforms
2. Automatic Generation and Tuning of Inference and Training Code Targeted at Hardware-Accelerated RISC-V Platforms
3. sEMG Analysis Based on Embedded Deep Learning (in cooperation with Prof. Benatti, UNIMORE)
4. Ultra-Low-Power Autonomous Deep Learning-Based Nano-Drones (in cooperation with Dr. Palossi, IDSIA Lugano)
   

Tesi o progetti disponibili per studenti della Laurea triennale (maggiore impegno) o Laurea Magistrale:

1. Integrazione di acceleratori hardware in flussi di deployment per reti neurali
   

Deep Learning / Intelligenza Artificiale

Tesi o progetti disponibili per studenti della sola Laurea Magistrale:

1. Compression Techniques for Latent Representations of Data in Continual Learning Settings
2. Integration of Quantized Continual Learning in the Avalanche Framework
   
3. Automatic Generation and Tuning of Inference and Training Code Targeted at Hardware-Accelerated RISC-V Platforms
4. Noisy Learning towards Deployment in Analog In-Memory Computing Scenarios
   

Tesi o progetti disponibili per studenti della Laurea triennale (maggiore impegno) o Laurea Magistrale:

1. Suite di benchmarking automatizzata per test di nuove architetture neurali
2. Inferenza di DNN in precisione mista (FP32/16/8 e INT8)
3. Setup di training in metodologia teacher/student