Ce projet académique propose des ressources pédagogiques pour un cours sur les accélérateurs matériels dédiés aux réseaux de neurones profonds. Il inclut des codes sources pour l'exploration de noyaux GEMM, des exemples de simulation et synthèse VHDL, ainsi que des supports de cours couvrant la conception de circuits logiques et les principes des réseaux de neurones. Destiné aux étudiants en master, il facilite l'apprentissage pratique des architectures matérielles pour l'accélération des calculs.

Ce projet développe des outils avancés pour la modélisation et la simulation de réseaux de neurones profonds. Il vise à faciliter la recherche en intelligence artificielle en offrant des solutions pour l'entraînement, l'optimisation et l'évaluation de modèles prédictifs complexes. Destiné principalement aux chercheurs et ingénieurs en IA, il permet d'explorer des architectures innovantes et d'accélérer le développement de solutions basées sur l'apprentissage automatique.

Ce projet développe des algorithmes d'apprentissage par renforcement pour entraîner et tester des réseaux de neurones profonds. Il permet de simuler des agents intelligents dans des environnements virtuels, d'optimiser leurs politiques d'action et d'évaluer leurs performances. Les modèles générés peuvent être utilisés pour résoudre des problèmes complexes en robotique, jeux vidéo ou optimisation industrielle.

Projet dédié à la simulation et à l'optimisation de réseaux de neurones profonds pour des applications en bioinformatique. Il permet d'analyser des données biologiques complexes et d'améliorer les performances des modèles d'apprentissage automatique dans ce domaine.

N2D2 est le framework CAD de CEA LIST pour la conception et la simulation de réseaux neuronaux profonds (DNN), ainsi que la construction d'applications DNN complètes sur plateformes embarquées. Il est développé en collaboration avec des partenaires industriels et académiques et est open source.