Forschung

Neuromorphes Computing Hardware Algorithmus-Co-Design

Neuromorphes Computing ahmt die Funktionsweise des menschlichen Gehirns nach, das bekanntermaßen komplexe Informationen energieeffizient und schnell verarbeitet. In Systemen wie Edge Computing oder Software-definierte Fahrzeuge sind Effizienz und Geschwindigkeit von hoher Relevanz. Auch in der Medizin und im Gesundheitswesen spielen sie etwa bei der Mustererkennung oder Sensorverarbeitung eine große Rolle. Innovative Speicherkonzepte wie Near-Memory Computing (NMC) ermöglichen eine energieeffiziente Datenverarbeitung, indem die Rechenlogik näher an den Speicher gebracht wird, während On-Chip-Kommunikationsmethoden die Datenübertragung innerhalb des Chips optimieren. Durch die Co-Optimierung von Hardware und Algorithmen (bspw. Spiking Neural Networks) kann diese Effizienz maximiert werden.

KI Hardwarebeschleuniger

KI Anwendungen und Modelle werden stetig weiterentwickelt und erfordern zunehmend mehr Ressourcen. Eingebettete Systeme (ES) zeichnen sich unter anderem durch ihre Kompaktheit und die damit verbundenen Ressourcenbeschränkungen aus. Rechenleistung, Speicher und Energie müssen daher effizient genutzt werden, um die Vorteile von ES voll auszuschöpfen. Dedizierte FPGA-basierte KI-Hardwarebeschleuniger sind aufgrund ihrer hohen Anpassungsfähigkeit und Flexibilität dafür besonders geeignet. Ziel ist es geeignete Optimierungsmethoden und Konzepte zu erforschen, um die Effizienz und Leistungsfähigkeit bei der Verarbeitung von KI-Workloads zu maximieren.