Διαλέξεις διακεκριμένων ερευνητών στο Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υ/Η

Το εργαστήριο Ηλεκτρονικής του Τμ. Ηλεκτρολόγων Μηχ. και Μηχ. Υπολογιστών σε συνεργασία με το Ελληνικό Παράρτημα Κυκλωμάτων και Συστημάτων (CAS) και Κυκλωμάτων Στερεάς κατάστασης (SSC) του διεθνούς Ινστιτούτου Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών (ΙΕΕΕ) στο πλαίσιο προγράμματος διαλέξεων διακεκριμένων ομιλητών, σας προσκαλεί στις παρακάτω διαλέξεις:
 
—————-

Dr. Sven Mattisson

Senior expert at Ericsson Research in Lund, Sweden
με θέμα:
“From Bluetooth … to 5G”
 
H εκδήλωση θα πραγματοποιηθεί στο Αμφιθέατρο ΙΙΙ του ΚΕΔΕΑ

την Τετάρτη 18 Οκτωβρίου 2017, στις 11:30.

Η διάλεξη θα δοθεί στα Αγγλικά (Θα υπάρχει ζωντανή μετάδοση και βιντεοσκόπηση)
 
Abstract: The Internet of Everything, or the Networked Society, will require a diverse set of communications means and in particular wireless links with high speed as well as low-rate and low-power radios. The initial development of Bluetooth also addressed the latter and an overview of the Bluetooth radio design ideas is given. Fundamental limits of radio performance parameters, e.g. power consumption and dynamic range, and how they relate to circuit design are reviewed. The presentation closes with an overview of what 5G will bring in terms of requirements and possibilities.
 
———————-
 
Dr. Arindam Basu
 
Associate professor at Nanyang Technological University, Singapore
με θέμα:
“Designing Low-power “Intelligent” Chips in the face of Statistical Variations of Nanoscale Devices: The Neuromorphic Solution”
 
H εκδήλωση θα πραγματοποιηθεί στο Αμφιθέατρο ΙΙΙ του ΚΕΔΕΑ

την Πέμπτη 19 Οκτωβρίου 2017, στις 12:00.

Η διάλεξη θα δοθεί στα Αγγλικά (Θα υπάρχει ζωντανή μετάδοση και βιντεοσκόπηση)
 
Abstract: As CMOS technology has been scaling down over the last decade, the effect of statistical variations (or component mismatch) and their impact on circuit design have become increasingly prominent. Further, new nanoscale devices like memristors and spin-mode devices like domain wall memories have emerged as possible candidates for neuromorphic computing at energy levels lower than CMOS—however, they also suffer from issues of variability and mismatch. In this talk, I will present some of the work done by our group where we take inspiration from neuroscience and show new approaches to perform machine learning with low energy consumption using low-resolution mismatched components. First, I will talk about “combinatoric learning” using binary or 1-bit synapses—an alternative to weight based learning in neural networks that is inspired by structural plasticity in our brains. Second, I will present an example of utilizing component mismatch to perform part of the computation—an example of algorithm-hardware co-design involving random projection algorithms like Reservoir Computing or Extreme Learning Machine. Lastly, I will show an application of such a low-power machine learner to perform intention decoding in low-power brain-machine interfaces.
Μετάβαση στο περιεχόμενο