Fachbereich 6 Mathematik/Informatik

Institut für Informatik


Navigation und Suche der Universität Osnabrück


Hauptinhalt

Topinformationen

Bachelor- und Masterarbeiten im Bereich energieeffizienter Hardwareplattformen für künstliche Intelligenz

KI-Systeme auf Basis künstlicher neuronaler Netze haben in vielen Anwendungsbereichen Lösungen mit bisher nicht erreichter Qualität ermöglicht. Bild-, Text- oder Spracherkennung sowie die vielfältigen Herausforderungen im Bereich des autonomen Fahrens sind nur einige Beispiele für aktuelle Einsatzgebiete. Möglich wurde der rasante Fortschritt in diesem Bereich insbesondere durch die Verfügbarkeit riesiger Datenmengen für das Training der künstlichen neuronalen Netze und die enorme Rechenleistung moderner paralleler Computerarchitekturen. Eine wichtige Voraussetzung für das Etablieren neuer Einsatzgebiete ist eine massive Verbesserung der Energieeffizienz. Aktuell findet ein Großteil der Berechnungen für Training und Inferenz (die Anwendung des Gelernten) in der Cloud, d. h. in Rechenzentren statt. Die Reduzierung des Energiebedarfs ist nicht nur aus ökologischer Sicht ein zentrales Forschungsziel, sie macht vielmehr eine Vielzahl von Anwendungen erst möglich, für die ein Auslagern von Daten in die Cloud nicht gangbar ist. Gründe dafür sind beispielsweise kurze geforderte Antwortzeiten beim autonomen Fahren oder im Bereich der Automatisierungstechnik (Industrie 4.0) sowie Schutz der gesammelten Daten oder der Privatsphäre.

Vor diesem Hintergrund bietet die Arbeitsgruppe Technische Informatik Bachelor- und Masterarbeiten an, die sich mit neuen Hardwareplattformen für KI und mit deren Programmierung und Evaluierung befassen. Einige Beispiele sind im Folgenden exemplarisch skizziert.

Energieeffizienz von Edge-Plattformen für KI

Neue, auf KI-Anwendungen zugeschnittene Hardwareplattformen, wie beispielsweise NVIDIA Jetson Nano oder Google Coral ermöglichen den Einsatz künstlicher neuronaler Netze in eingebetteten Systemen unabhängig von der Cloud. Die neuen Architekturen reichen von herkömmlichen Prozessoren mit eingebetteten GPUs bis hin zu Spezialprozessoren, die explizit für das maschinelle Lernen optimiert sind. Im Rahmen der angebotenen Arbeiten wählen wir gemeinsam Kombinationen aus Programmierumgebungen und Architekturen aus und Sie analysieren die Ressourceneffizienz und Flexibilität der Plattformen am Beispiel einer Anwendung aus dem Bereich der Bild- oder Sprachverarbeitung.

Maschinelles Lernen für Bildverarbeitung mit FPGAs

FPGAs sind eine interessante Alternative zu herkömmlichen Prozessoren. Mit vielen tausend internen Verarbeitungseinheiten ermöglichen die Bausteine massiv-parallele Verarbeitung und versprechen dabei eine deutlich höhere Leistungsfähigkeit und Energieeffizienz als alternative Architekturen. Ziel der Arbeit ist es, die Effizienz dieser rekonfigurierbaren Architekturen am Beispiel einer Video-basierten Objekterkennung zu analysieren und zu optimieren. Die Programmierung erfolgt unter Einsatz aktueller Entwurfswerkzeuge, wie beispielsweise TensorFlow, wahlweise unterstützt durch FPGA-Architekturerweiterungen auf Register-Transfer-Ebene oder in C/C++ mit anschließender High-Level-Synthese.

Eine skalierbare Plattform für Cognitive Edge Computing

Im Rahmen dieser Arbeit soll eine neue Hardwareplattform entwickelt werden. Sie entwerfen eine eigene Leiterplatte, die im Rahmen der Arbeit professionell gefertigt und anschließend von Ihnen getestet wird. Ziel ist es, eine neue modulare Plattform für den Einsatz in eingebetteten Systemen (beispielsweise in mobilen Robotern) zu konzipieren und zu realisieren. Die Modularität soll die einfache Kombination unterschiedlicher Architekturen, wie z. B. GPUs, FPGAs und Prozessoren ermöglichen. Für die Module setzen wir auf kompakte, kommerziell verfügbare Systeme. Sie müssen sich daher in erster Linie um die Kommunikation zwischen den Modulen und die Schnittstellen zur Außenwelt kümmern.