Édition janvier 2018 – Vol.10 no.1

ÉDITORIAL

Nous avons entrepris les démarches pour l’organisation de notre colloque annuel qui se tiendra à Polytechnique Montréal le 18 mai 2018. Au programme des conférenciers de marques viendront nous présenter leurs plus récents travaux et des étudiants de cycles supérieurs présenteront leurs propres travaux lors du concours d’affiches scientifiques. Les auteurs des meilleures présentations seront récompensés par un prix en argent. Visitez la page web dédiée (resmiq.org > Étudiants > Concours d’affiches scientifiques) pour de plus amples détails. Aussi, nous vous rappelons que la soumission d’articles pour la 16e édition de la conférence NEWCAS est activée jusqu’au 17 février 2018. Le comité exécutif du ReSMiQ encourage fortement tous les membres du centre à soumettre leurs contributions et à participer en grand nombre. Soumission d’articles

ReSMiQ est un centre de recherche soutenu par les FRQNT et compte sur neuf (9) universités québécoises impliquées dans la recherche sur les microsystèmes.

NOUVELLES DES MEMBRES

Rayonnement
– Dr. Boukadoum de l’Université du Québec à Montréal a offert un cours intensif intitulé « Artificial neural networks for biomedical analysis and circuit synthesis » lors de la conférence IEEE Life Sciences Conference (LSC2017) qui s’est tenu du 13 au 15 décembre 2017 à Sydney en Australie. Plus de détails

– Dr. Beltrame de Polytechnique Montréal est l’invité du Wilhelm-Schickhard Institute for Computer Science à l’Université de Tübingen jusqu’en aout 2018.

Réussites
– Dr.  Savaria et Dr. David de Polytechnique Montréal dirigent les travaux de Michel Gémieux au Ph.D. qui s’est vu décerné une bourse Hydro-Québec.

– Dr. Massicotte de l’UQTR obtient deux (2) subventions MITACS dans le cadre de son programme Accélération en partenariat avec la compagnie Opal-RT.

Implication
– Dr. Massicotte de l’UQTR est membre du comité du Programme de subventions d’outils et instrument de recherche (OIR) du CRSNG pour 2017-2018.

ACTIVITÉS DU RESMIQ

Séminaire

Jerald Yoo, un des conférenciers distingués (DL) de la société Solid State Circuits (SSC), de National University of Singapore, a présenté le séminaire intitulé «Design strategies for wearable sensor interface circuits – from electrodes to signal processing» à Polytechnique Montréal dans le cadre de nos activités de formation dans ReSMiQ en collaboration avec le chapitre IEEE-SSCS de Montréal.
Voir le résumé

 


Concours d’affiches scientifiques – Appel aux propositions

DATE LIMITE DE DÉPÔT: 9 avril 2017
Plus de détails

Bourses et soutien financiers
Soutien financier pour chercheurs invités
DATE LIMITE DE DÉPÔT : 26 février 2018
Plus de détails

Aide financière pour étudiants de 1er cycle
DATE LIMITE DE DÉPÔT: 12 mars 2018
Plus de détails

Soutien financier pour participation à des conférences
DATE LIMITE DE DÉPÔT: 12 mars 2018
Plus de détails


SIGNAL est le principal outil de diffusion de nouvelles du Regroupement Stratégique en Microsystèmes du Québec (ReSMiQ). Ce bulletin se veut un lien entre les membres du ReSMiQ et toute autre personne intéressée par la recherche et l’innovation dans le domaine des microsystèmes. Nous nous engageons à valoriser les travaux de nos membres et augmenter la visibilité du ReSMiQ.

ReSMiQ est un regroupement de chercheurs au sein d’un centre de recherche interuniversitaire qui peut compter sur le soutien du Fonds de recherche du Québec – Nature et technologies (FRQNT) et de neuf (9) universités québécoises impliquées dans la recherche sur les microsystèmes.

Publié dans Non classifié(e)

CONFÉRENCES À SURVEILLER

Invitation à contribuer

16th IEEE International NEWCAS Conference (NEWCAS),
du 24 au 27 juin 2018, Montréal, Canada.

Date butoir de soumission : 17 février 2018.
Plus de détails

61st IEEE International Midwest Symposium on Circuits and Systems (MWSCAS),
du 5 au 8 août 2018, Windsor, ON, Canada.

Date butoir de soumission : 18 mars 2018.
Tous les détails

IEEE Biomedical Circuits and Systems Conference (BioCAS2018),
du 17 au 19 octobre, 2018, Cleveland, É.-U.

Date butoir de soumission : 11 juin 2018.
Tous les détails

Invitation à participer

31st Canadian Conference on Electrical & Computer engineering (CCECE),
du 13 au 16 mai 2018, Québec, Canada.

Plus de détails

2018 International Symposium on Circuits and Systems (ISCAS),
du 27 au 30 mai 2018, Florence, Italie.

Tous les détails

The 31st International Conference on Industrial, Engineering & Other Applications of Applied Intelligent Systems (IAE-AIE2018)
Du 25 au 28 juin 2018, Montréal, Canada.
Tous les détails

PROFIL DES MEMBRES

Prof. Jean-Pierre David
Polytechnique Montréal
Membre du ReSMiQ depuis 2003

Jean Pierre David a reçu un doctorat en Sciences appliquées de l'Université Catholique de Louvain, Belgique. Il a travaillé comme chercheur au laboratoire des Dispositifs Intégrés et Circuits Électroniques (DICE) à l'Université Catholique de Louvain. Il a été professeur adjoint à l'Université de Montréal, dans le Laboratoire d'Analyse et Synthèse des Systèmes Ordinés (LASSO). Actuellement, il est professeur agrégé du Département de génie électrique et membre du Groupe de Recherche en Microélectronique et Microsystèmes (GR2M) à l'École Polytechnique de Montréal, Canada. Ses intérêts de recherche actuels sont principalement dans la conception, configuration et programmation de systèmes numériques (par ex., FPGA, GPU, processeurs, microcontrôleurs, entre autres) et leurs applications, en particulier la simulation de systèmes en temps réel (Hardware In the Loop - HIL), les télécommunications (par ex., surveillance des réseaux, 5G) et les réseaux de neurones. Le professeur David est l'auteur ou co-auteur de plus de 65 articles dans des conférences et des revues internationales avec comité de lecture et détient deux brevets. Il est membre de l’IEEE et membre du ReSMiQ. En savoir plus

Voici une sélection de ses publications dans les dernières années, suivie d’un article représentatif de ses travaux de recherche.

  1. Montano, F., Ould-Bachir, T. & David, J.P. (2017). An Evaluation of a High-Level Synthesis Approach to the FPGA-based Sub-microsecond Real-Time Simulation of Power Converters. IEEE Transactions on Industrial Electronics. 65(1), 636-644.
  2. David, J.P. (2016). Low latency and division free Gauss-Jordan solver in floating point arithmetic. Journal of Parallel and Distributed Computing, 106, 185-193.
  3. Larbanet, A., Lerebours, J. & David, J.P. (2015). Detecting very large sets of referenced files at 40/100 GbE, especially MP4 files. Digital Investigation, 14(suppl. 1), S85-S94.
  4. Courbariaux, M., Bengio, Y., & David J.P. (2015) Binaryconnect: Training deep neural networks with binary weights during propagations - Advances in Neural Information Processing Systems, 2015 (+ 270 citations).
  5. Daigneault, M.-A. & David, J.P. (2014). Fast description and synthesis of control-dominant circuits. Computers and Electrical Engineering, 40(4), 1199-1214.
  6. Bachir, T.O., Dufour, C., Belanger, J., Mahseredjian, J. & David, J.P. (2013). A Fully Automated Reconfigurable Calculation Engine Dedicated to the Real-Time Simulation of High Switching Frequency Power Electronic Circuits. Mathematics and Computers in Simulation, 91, 167-177.
  7. Ould-Bachir, T. & David, J.P. (2013). Self-alignment schemes for the implementation of addition-related floating-point operators. ACM Transactions on Reconfigurable Technology and Systems, 6(1).

TRAVAUX DE RECHERCHE

Binaryconnect: Training deep neural networks
with binary weights during propagations

Deep  Neural  Networks  (DNN)  have  achieved  state-of-the-art  results  in  a  wide range of tasks,  with the best results obtained with large training sets and large models.  In the past, GPUs enabled these breakthroughs because of their greater computational speed.  In the future, faster computation at both training and test time is likely to be crucial for further progress and for consumer applications on low-power devices.  As a result, there is much interest in research and development of dedicated hardware for Deep Learning (DL). Binary weights, i.e., weights which are constrained to only two possible values (e.g. -1 or 1), would bring great benefits to specialized DL hardware by replacing many multiply-accumulate operations by simple accumulations, as multipliers are the most space and power-hungry  components  of  the  digital  implementation  of  neural  networks.   We  introduce BinaryConnect, a method which consists in training a DNN with binary weights during the forward and backward propagations, while retaining precision of  the  stored  weights  in  which  gradients  are  accumulated.   Like  other  dropout schemes,  we  show  that  BinaryConnect  acts  as  regularizer  and  we  obtain  near state-of-the-art results with BinaryConnect on the permutation-invariant MNIST, CIFAR-10 and SVHN.

The impact of such a method on specialized hardware implementations of deep networks could be major, by removing the need for about 2/3 of the multiplications, and thus potentially allowing to speed-up by a factor of 3 at training time.

Test error rates of DNNs trained on the MNIST (no convolution and no unsupervised pretraining), CIFAR-10 (no data augmentation) and SVHN, depending on the method are shown below. We see that in spite of using only a single bit per weight during propagation, performance is not worse than ordinary (no regularizer) DNNs, it is actually better, especially with the stochastic version, suggesting that BinaryConnect acts as a regularizer.