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 CNNs et garder les entrainements locaux au site de capture, en combinant
QML et AF. L’AF viendra diminuer le fardeau des noeuds 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 noeuds 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.