Quentin Dariol
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Quentin Dariol has a total of 10 co-authors. Here are the top co-authors by number of shared publications:
- Kim Grüttner
German Aerospace Center (DLR), Oldenburg, Germany
2 shared publications - Ralf Stemmer
German Aerospace Center (DLR), Oldenburg, Germany
2 shared publications - Sebastien Pillement
Nantes Université, CNRS, IETR UMR 6164
2 shared publications - Sébastien Le Nours
Nantes University, CNRS, IETR UMR 6164, Nantes, France
2 shared publications - Bertrand Le Gal
Universit de Rennes, IRISA/INRIA, France
1 shared publication - Domenik Helms
OFFIS – Institute for Information Technology
1 shared publication
Latest Publications
- 1 May 2026
- Published by Springer Nature
- p. 29-41
MultiGRA: Expanding the CGRA Design Space with a Mixed-Granularity Approach
- 1 May 2026
- Published by Springer Nature
- p. 29-41
MultiGRA: Expanding the CGRA Design Space with a Mixed-Granularity Approach
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Early Timing and Energy Prediction and Optimization of Artificial Neural Networks on Multi-Core Platforms
Prédiction et optimisation des propriétés temporelles et de l’énergie des réseaux de neurones artificiels implémentés sur les plateformes multicœurs: Le besoin de mettre en oeuvre les Réseaux de Neurones artificiels (NNs) sur des plates-formes multicœurs embarquées est devenu fondamental. La prédiction des propriétés temporelles (temps d’inférence, latence, débit) et énergétiques au plus tôt dans le processus de conception est nécessaire pour trouver des solutions qui optimisent l’utilisation des ressources et respectent les contraintes imposées au système. Une difficulté majeure de cette modélisation vient de la nécessité de décrire correctement l’influence du partage de ressources (processeur, mémoire, bus de communication) au sein des plateformes multicœurs. Dans cette thèse, nous présentons un flot complet de prédiction et d’optimisation des propriétés temporelles et de l’énergie qui combine plusieurs approches de modélisation. Ce flot conduit à optimiser l’occupation des ressources sans dégrader les performances des NNs mis en œuvre. Les prédictions sont confrontées à des expérimentations sur cibles réelles. Les modèles proposés ont une précision de plus de 97% sur le temps et 93% sur l’énergie sur 54 mappings de 4 NNs, avec un temps de prédiction de 20s par mapping. Nous montrons comment utiliser les modèles pour explorer efficacement l’espace de conception et trouver des solutions optimisées qui satisfont les contraintes imposées au système.
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Early Timing and Energy Prediction and Optimization of Artificial Neural Networks on Multi-Core Platforms
Prédiction et optimisation des propriétés temporelles et de l’énergie des réseaux de neurones artificiels implémentés sur les plateformes multicœurs: Le besoin de mettre en oeuvre les Réseaux de Neurones artificiels (NNs) sur des plates-formes multicœurs embarquées est devenu fondamental. La prédiction des propriétés temporelles (temps d’inférence, latence, débit) et énergétiques au plus tôt dans le processus de conception est nécessaire pour trouver des solutions qui optimisent l’utilisation des ressources et respectent les contraintes imposées au système. Une difficulté majeure de cette modélisation vient de la nécessité de décrire correctement l’influence du partage de ressources (processeur, mémoire, bus de communication) au sein des plateformes multicœurs. Dans cette thèse, nous présentons un flot complet de prédiction et d’optimisation des propriétés temporelles et de l’énergie qui combine plusieurs approches de modélisation. Ce flot conduit à optimiser l’occupation des ressources sans dégrader les performances des NNs mis en œuvre. Les prédictions sont confrontées à des expérimentations sur cibles réelles. Les modèles proposés ont une précision de plus de 97% sur le temps et 93% sur l’énergie sur 54 mappings de 4 NNs, avec un temps de prédiction de 20s par mapping. Nous montrons comment utiliser les modèles pour explorer efficacement l’espace de conception et trouver des solutions optimisées qui satisfont les contraintes imposées au système.
- 17 February 2026
- Published by Elsevier in Journal of Systems Architecture
- Vol. 175
A measurement-based calibration approach for highly scalable timing and energy modeling of EdgeAI multi-core systems
- 17 February 2026
- Published by Elsevier in Journal of Systems Architecture
- Vol. 175
A measurement-based calibration approach for highly scalable timing and energy modeling of EdgeAI multi-core systems
- Open Access
- 17 January 2023
- Published by Association for Computing Machinery (ACM)
- p. 79-86
Fast Yet Accurate Timing and Power Prediction of Artificial Neural Networks Deployed on Clock-Gated Multi-Core Platforms
When deploying Artificial Neural Networks (ANNs) onto multi-core embedded platforms, an intensive evaluation flow is necessary to find implementations that optimize resource usage, timing and power. ANNs require indeed significant amounts of computational and memory resources to execute, while embedded execution platforms offer limited resources with strict power budget. Concurrent accesses from processors to shared resources on multi-core platforms can lead to bottlenecks with impact on performance and power. Existing approaches show limitations to deliver fast yet accurate evaluation ahead of ANN deployment on the targeted hardware. In this paper, we present a modeling flow for timing and power prediction in early design stage of fully-connected ANNs on multi-core platforms. Our flow offers fast yet accurate predictions with consideration of shared communication resources and scalability in regards of the number of cores used. The flow is evaluated on real measurements for 42 mappings of 3 fully-connected ANNs executed on a clock-gated multi-core platform featuring two different communication modes: polling or interrupt-based. Our modeling flow predicts timing with accuracy and power with accuracy on the tested mappings for an average simulation time of 0.23 s for 100 iterations. We then illustrate the application of our approach for efficient design space exploration of ANN implementations.
- 17 January 2023
- Published by Association for Computing Machinery (ACM)
- p. 79-86
Open AccessFast Yet Accurate Timing and Power Prediction of Artificial Neural Networks Deployed on Clock-Gated Multi-Core Platforms
When deploying Artificial Neural Networks (ANNs) onto multi-core embedded platforms, an intensive evaluation flow is necessary to find implementations that optimize resource usage, timing and power. ANNs require indeed significant amounts of computational and memory resources to execute, while embedded execution platforms offer limited resources with strict power budget. Concurrent accesses from processors to shared resources on multi-core platforms can lead to bottlenecks with impact on performance and power. Existing approaches show limitations to deliver fast yet accurate evaluation ahead of ANN deployment on the targeted hardware. In this paper, we present a modeling flow for timing and power prediction in early design stage of fully-connected ANNs on multi-core platforms. Our flow offers fast yet accurate predictions with consideration of shared communication resources and scalability in regards of the number of cores used. The flow is evaluated on real measurements for 42 mappings of 3 fully-connected ANNs executed on a clock-gated multi-core platform featuring two different communication modes: polling or interrupt-based. Our modeling flow predicts timing with accuracy and power with accuracy on the tested mappings for an average simulation time of 0.23 s for 100 iterations. We then illustrate the application of our approach for efficient design space exploration of ANN implementations.