A propos du projet:

L’entrainement de réseaux de neurones convolutifs (CNN) pour la conduite assistée/autonome requiert une quantité massive de données. Les données d’entrainement proviennent de zones géographiques multiples, chacune devant être représentée pour obtenir un entrainement solide.

Chaque type d’objet à détecter et identifier (signalisation, piétons, etc.) requiert un CNN.

Les variations morphologiques géographiques nécessitent de réentraîner pour chaque zone. Maintenir à jour les entrainements ajoute également au problème, forçant donc l’approche que nous prenons. On voit donc ici une problématique au niveau de la quantité de données et le temps de traitement qui sera nécessaire.

Objectif du projet:

Le but est d’accélérer l’entrainement des CNN et garder les entrainements locaux au site de capture, en combinant QML et AF. L’AF viendra diminuer le fardeau des nœuds de calculs en utilisant plusieurs serveurs localisés dans la région de capture. Le QML permettra de cartographier un chemin de progrès continu qui accélèrera le processus d’entrainement sur chacun de ces nœuds de calculs.

Impacts

Leddartech augmentera le personnel francophone hautement qualifié en informatique quantique. Ce projet accélérera le transfert de connaissances depuis l’Institut quantique vers Leddartech, tout en utilisant une plateforme de calcul 100 % québécoise, PINQ2. L’AF promettra de couvrir un champ d’application jusqu’à maintenant inédit dans notre domaine. À terme, QML combiné à l’AF devrait permettre un entrainement en continu du réseau routier mondial. La recherche en algorithmie quantique que nous allons effectuer nous permettra d’identifier les prochaines étapes pour cartographier et atteindre l’inférence en temps réel, un autre avantage appréciable et rentable pour Leddartech.