AI-onderzoek

AI evolueert sneller dan de hardware waarop ze draait. Grensverleggende AI-modellen draaien vandaag op hardware die ontworpen werd lang voordat de workloads van die modellen bestonden. Tegelijk worden chips en systemen van de volgende generatie ontwikkeld zonder duidelijk zicht op de algoritmen die er uiteindelijk op zullen draaien.

Imec overbrugt die kloof door AI en hardware van de volgende generatie samen te ontwikkelen, van silicium tot systemen en van onderzoek tot toepassing.

De AI-activiteiten van imec steunen op twee complementaire pijlers:

1. Full-stack co-optimalisatie van hardware en software - AI toepassen en samen ontwerpen over de volledige stack: van workloads en systeemarchitecturen tot chipontwerp, halfgeleideronderzoek en chipproductie. 
2. AI-paradigma’s van de volgende generatie (imec.AI-labs) - nieuwe AI-modelarchitecturen verkennen en richting geven aan hardwarevereisten die verder gaan dan de huidige paradigma’s.

Samen slaan ze de brug tussen AI-innovatie op lange termijn en toepassingen die op grote schaal kunnen worden ingezet.

Full-stack optimalisatie van hardware en software

Het AI-onderzoek van imec combineert diepgaande expertise in halfgeleidertechnologie met geavanceerde kennis van algoritmen en systeemarchitecturen. Ons uitgangspunt: AI-systemen vragen om een gezamenlijke optimalisatie van algoritmen, architecturen en technologie. We modelleren en optimaliseren hoe huidige en toekomstige AI-systemen presteren op de hardware van vandaag en morgen.

Onze partners kunnen voortbouwen op dit onderzoek via een reeks initiatieven waarmee ze kunnen evalueren en optimaliseren hoe nieuwe AI-systemen presteren op toekomstige hardware.

• AIstack biedt een objectieve benchmark om de impact van huidige AI-systemen op de totale eigendomskosten (TCO) te evalueren.
• EdgeLab laat partners hun eigen algoritmen en hardware voor edge-toepassingen testen.
• Imec.kelis helpt de prestaties van toekomstige siliciumtechnologie te modelleren en evalueren.

AIstack

AIstack is een publiek toegankelijk benchmarkinginitiatief dat laat zien waar huidige AI-workloads tegen de grenzen van hardware aanlopen en hoe dat de totale eigendomskosten (TCO) op systeemniveau beïnvloedt. AIstack is ontwikkeld voor:

• ontwikkelaars van AI-modellen die willen testen hoe hun nieuwe modelarchitecturen presteren op bestaande hardwaresystemen.
• infrastructuurproviders die onderbouwde beslissingen willen nemen over toekomstige hardware-investeringen.
• hardwareleveranciers die met een objectieve benchmark willen aantonen hoe hun chips presteren in vergelijking met andere oplossingen. 

Bezoek de AIstack-website voor meer informatie

EdgeLab

EdgeLab is een door de EU gefinancierde community en een platform dat benchmarking van edge-AI toegankelijker en sneller maakt. Ontwikkelaars kunnen er hun model binnen enkele minuten benchmarken op de nieuwste commerciële en geavanceerde edge-apparaten.

Bedrijven kunnen met vertrouwen de stap zetten van AI-ontwikkeling naar edge-oplossingen die klaar voor productie zijn, met minder risico’s, snellere iteraties en lagere ontwikkelingskosten.

Start met benchmarken op de EdgeLab-website

Imec.kelis

Imec.kelis is een tool voor performantiemodellering en het evalueren van ontwerpopties voor LLM-datacenters.

Met een analysetool voor LLM-taakgrafen, een parallelism mapper, een hiërarchisch roofline-model en een topologiebewuste bibliotheek voor collectieve communicatie biedt de tool een end-to-endframework om ontwerpkeuzes snel en nauwkeurig te evalueren en te optimaliseren. 

Ontdek imec.kelis en download de technische fiche

AI voor sensing en aansturing in verschillende toepassingsdomeinen

Imec bouwde expertise op in uiteenlopende toepassingsdomeinen en begrijpt daardoor de specifieke behoeften en uitdagingen van elk domein, en welke rol AI daarin kan spelen. Bijvoorbeeld:

• In de gezondheidszorg kunnen inzichten en voorspellingen op basis van AI het ontwerp van biosensoren en bioproductieprocessen verbeteren. Ze kunnen ook onze kennis in domeinen zoals neurowetenschappen en proteomica aanzienlijk vergroten.
• Geavanceerde ADAS en autonome voertuigen geven de automotivesector opnieuw vorm. Ze steunen sterk op AI die nauw wordt afgestemd op verschillende sensortechnologieën. · De opkomst van physical AI luidt een nieuw tijdperk in voor robotica, met autonome systemen die flexibel interageren met de fysieke wereld en met andere robots of mensen.
• Slimme sensornetwerken met AI maken het mogelijk om kritieke infrastructuur of personeel te monitoren binnen het domein veiligheid en veerkracht.

Imec ontwerpt AI mee over de volledige sensing-to-actuation-stack, van sensoren en simulatie tot edge-AI en autonome aansturing.

Imec.AI-labs - AI-paradigma’s van de volgende generatie

Imec.AI-labs verkent AI-concepten die verder gaan dan de huidige stand van de techniek. Het lab fungeert zo als imecs innovatiekompas voor de lange termijn.

Centraal in de aanpak van imec.AI-labs staat de overtuiging dat de volgende sprong in AI niet zal voortkomen uit het opschalen van één architectuur, maar uit het orkestreren van diverse, gespecialiseerde agents die redeneren, samenwerken en zich aanpassen, vergelijkbaar met de manier waarop verschillende onderdelen van een computersysteem samenwerken.

Het onderzoek is opgebouwd rond drie kernthema’s:

• Taal als universeel coördinatieprotocol. Natuurlijke taal vormt de interface waarmee agents observaties, intenties en beperkingen uitwisselen. Daardoor zijn rigide, taakspecifieke API’s niet nodig. Dit maakt zero-shotintegratie mogelijk: nieuwe agents, zoals softwarediensten, hardwarecontrollers of menselijke operatoren, kunnen aan een systeem worden toegevoegd zonder voor elke koppeling een aparte interface te moeten ontwikkelen.
• Anticiperende intelligentie. Imec.AI-labs ontwikkelt modellen die niet alleen reageren op gegevens uit het verleden, maar ook mogelijke toekomstscenario's kunnen verkennen. Ze beantwoorden vragen als “Wat zou er gebeuren als deze actie wordt uitgevoerd?” Zo kunnen agents alternatieven afwegen, risico’s beoordelen en proactieve beslissingen nemen voordat ze tot actie overgaan.
• Continue aanpassing en kennisintegratie. Een dual-memoryarchitectuur combineert snel bijgewerkt symbolisch geheugen met langetermijnkennis die in het model is opgeslagen. Daardoor kunnen samenwerkende agents nieuwe informatie integreren zonder bestaande kennis te verliezen. Dat is essentieel in voortdurend veranderende omgevingen zoals halfgeleideronderzoek en de klinische praktijk.

Door deze multi-agentsystemen samen met nieuwe hardwareconcepten te ontwikkelen, verwerft imec.AI-labs inzichten die bijdragen aan imecs roadmap voor halfgeleidertechnologie. De onderzoeksresultaten worden daarnaast gedeeld met het bredere AI-ecosysteem. 

Bij het co-design van hardware en software bekijken samenwerkende agents hardwarebeperkingen, softwarevereisten en doelstellingen op toepassingsniveau als onderdelen van één geheel. Zo kunnen ze ontwerpopties efficiënter verkennen en ontstaan er oplossingen die beter afgestemd zijn op specifieke workloads en chips. 

In de gezondheidszorg modelleren multi-agentsystemen de interacties tussen patiënten, zorgverleners en instellingen. Ze combineren medische kennis met gegevens van patiënten om interventies te evalueren en gepersonaliseerde klinische besluitvorming te ondersteunen.

Het onderzoek verloopt volgens een open samenwerkingsmodel: korte, intensieve bootcamps brengen imec-onderzoekers, academische partners en bedrijven samen rond concrete uitdagingen. Resultaten worden gepubliceerd en omgezet in prototypes. Wanneer die voldoende rijp zijn, worden ze overgedragen aan teams van imec die nieuwe toepassingen en oplossingen ontwikkelen, zodat fundamenteel onderzoek kan doorstromen naar concrete impact in de praktijk. 

Ontdek het onderzoek van imec.AI-labs