Neuronale Netze sind in den vergangenen Jahren zum de facto Standard für eine Vielzahl von Bildverarbeitungsalgorithmen geworden. Allerdings wirft ihre Anwendung in eingebetteten Systemen wie beispielsweise dem autonomen Fahren oder der Robotik große Herausforderungen auf. Besonders die zielgerichtete Optimierung der Algorithmen hinsichtlich der Hardwareeffizienz, des Energiebedarfes bis hin zu kosten-optimierten Beschleunigern für die Edge-Inferenz von tiefen neuronalen Netzen ist ein spannendes Forschungsgebiet.

Unsere Forschungsgruppe beschäftigt sich mit dem HW/CNN Co-Design, also der Bestrebung, Designer der Algorithmen, Toolchain und Hardware Architekten gleichermaßen bei der Optimierung von lernbasierten Anwendungen einzubinden. Unabhängig ob einem Top-Down, Bottom-Up oder Meet-in-the-Middle Paradigma folgend, muss die Hardwarearchitektur die parallele Verarbeitung der beträchtlichen Anzahl von Faltungsoperationen unterstützen, geschickte Datenfluss- und Wiederverwendungsschemata von Eingangs-Aktivierungen, Parametern und Operanden gewählt werden und schlanke und komprimierte neuronale Netz Architekturen optimieret werden, die es ermöglichen, bereitgestellte HW Ressourcen zu nutzen.

Wir haben uns ganz darauf verschreiben, Methoden und Verfahren zu erforschen, die darauf abzielen, Machine Learning Modelle in echten eingebetteten Systemen zuverlässig und effizient bereitzustellen. MLOps stehen hierbei für uns im Fokus einer datengetriebenen Optimierung und Anwendung von neuronalen Netzen in eingebetteten Systemen. Willst auch du ein Teil der Veränderung sein, dann wirf einen Blick auf die unten ausgeschriebenen Seminar- und Abschlussarbeiten.