QDQuentin Dariol

Quentin Dariol

*This is an algorithmically generated author record based on publicly available information.

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:


Latest Publications

  • MultiGRA: Expanding the CGRA Design Space with a Mixed-Granularity Approach

    by Léo Pajot, Quentin Dariol, Jérémie Crenne, Simon Rokicki, Bertrand Le Gal

  • Early Timing and Energy Prediction and Optimization of Artificial Neural Networks on Multi-Core Platforms

    by Quentin Dariol

    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.

  • A measurement-based calibration approach for highly scalable timing and energy modeling of EdgeAI multi-core systems

    by Quentin Dariol, Sébastien Le Nours, Sébastien Pillement, Ralf Stemmer, Domenik Helms, Kim Grüttner


  • Open Access

    Fast Yet Accurate Timing and Power Prediction of Artificial Neural Networks Deployed on Clock-Gated Multi-Core Platforms

    by Quentin Dariol, Sebastien Le Nours, Domenik Helms, Ralf Stemmer, Sebastien Pillement, Kim Grüttner

    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.