Contrato Predoctoral en la Universidad Jaime I de Castellón (Computación y Comunicaciones de Altas Prestaciones Consciente del Consumo Energético. Aplicaciones al Aprendizaje Profundo Computacional)

Descripción:
Se busca investigador pre-doctoral para incorporarse al grupo Arquitecturas y Computación de Altas Prestaciones (https://www.uji.es/serveis/ocit/base/grupsinvestigacio/detall?codi=201) de la Universidad Jaime I de Castellón, en el marco del proyecto PID2020-113656RB-C21.
El objetivo general de este proyecto es contribuir al diseño y desarrollo de herramientas exploratorias, software de sistemas, algoritmos, núcleos computacionales, primitivas de comunicaciones, bibliotecas de aprendizaje automático y numéricas, y entornos distribuidos para aprendizaje automático profundo que aumenten el rendimiento, incrementen la resiliencia, y reduzcan el consumo energético en cinco líneas de investigación: elasticidad de recursos y maleabilidad de aplicaciones, reducción de las comunicaciones, computación con técnicas de transprecisión, tolerancia a fallos, computación en dispositivos heterogéneos de bajo consumo; focalizada en cuatro dominios distintos: aplicaciones científicas y entornos para aprendizaje automático, tecnologías de aprendizaje automático profundo, núcleos computacionales, y herramientas.

Linea de investigación preferente:
- Aprendizaje automático profundo (deep learning) para microcontroladores y el Internet de las Cosas.

Requisitos de los investigadores:
- Aparecer como reserva en la Resolución de Concesión Contratos Predoctorales 2021, publicada el 29/06/2022.
- Se valorará su experiencia en
* Computación de altas prestaciones.
* Aprendizaje automático.
* Programación de microcontroladores.
- Se valorará buen nivel de inglés.


Información sobre el grupo: 

El grupo se ubica en la Universidad Jaime I, recientemente clasificada entre las 700 mejores universidades del mundo (Ranking Shanghai), situada entre el 4,5% de las mejores instituciones de educación superior del mundo (Center for World University Rankings) y una de las 200 mejores universidades del mundo de menos de 50 años (Timer Higher Education).
El grupo de investigación se creó en 2006, y desde su constitución ha venido financiándose a través de proyectos europeos, proyectos de nacionales, proyectos autonómicos, y proyectos internos a la universidad, sin dejar de lado la transferencia, formalizando contratos con empresas de diferentes ámbitos (Microsoft, NVIDIA, Mellanox, ABB, etc.). Las investigaciones realizadas se ha desarrollado con investigadores de centros de investigación de prestigio de EE.UU. y Europa. Respecto de la productividad científica, cabe mencionar que los miembros del grupo han publicado, en los últimos 3 años, 40 artículos en revistas JCR (10 en cuartil Q1, 23 en Q2 y 7 en Q3). Además, su capacidad de formación queda reflejada por las 19 Tesis Doctorales realizadas dentro del grupo de investigación en los últimos 10 años.

Referencias:
1. J. M. Badia, G. León, J. A. Belloch, M. Garcia-Valderas, A. Lindoso, L. Entrena. Comparison of Parallel Implementation Strategies in GPU-Accelerated System-on-Chip Under Proton Irradiation. IEEE Transactions on Nuclear Science; 3 pp. 444-452. (2022).
2. J. I. Aliaga, H. Anzt, T. Grützmacher, E. S. Quintana-Ortí, A. E. Tomás. Compression and load balancing for efficient sparse matrix-vector product on multicore processors and graphics processing units. Concurrency and Computation-Practice & Experience; 14 pp. 1-13. (2022).
3. A. Castelló, S. Barrachina, M. F. Dolz, E. S. Quintana-Ortí, P. San Juan, A. E. Tomás. High performance and energy efficient inference for deep learning on multicore ARM processors using general optimization techniques and BLIS. Journal of Systems Architecture; 125 pp. 1-9. (2022).
4. M. Barreda, M. F. Dolz, M. A. Castaño. Convolutional neural networks for estimating the run time and energy consumption of the sparse matrix-vector product. IJHPCA; 3 pp. 268-281. (2021).
5. S. Barrachina, A. Castelló, M, Catalán, M. F. Dolz, J. I. Mestre. PyDTNN: A user-friendly and extensible framework for distributed deep learning. J. Supercomputing; 9 pp. 9971-9987. (2021).
6. J. A. Belloch, J. M. Badia, D. F. Larios, E. Personal, M. Ferrer, L. Fuster, M. Lupoiu, A. Gonzalez, C. León, A. M. Vidal, E. S. Quintana-Ortí. On the performance of a GPU-based SoC in a distributed spatial audio system. J. Supercomputing; 7 pp. 6920-6935. (2021).
7. J. A. Belloch, G. León, J. M. Badia, A. Lindoso, E. San Millan. Evaluating the computational performance of the Xilinx Ultrascale plus EG Heterogeneous MPSoC. Journal of Supercomputing; 77 pp. 2124-2137. (2021).
8. S. Iserte, R. Mayo, E. S. Quintana-Orti, A. J. Pena. DMRlib: Easy-coding and Efficient Resource Management for Job Malleability. IEEE Transactions on Computers; 9 pp. 1443-1557. (2021).
9. M. Barreda, J. I. Aliaga, V. Beltran, M. Casas. Iteration-fusing conjugate gradient for sparse linear systems with MPI + OmpSs. Journal of Supercomputing; 9 pp. 6669-6689. (2020).