Forschung

Federated Learning

Federated Learning (FL) ist ein Paradigma für verteiltes maschinelles Lernen, das für dezentrales Training auf einer großen Anzahl von Endgeräten verwendet wird. Jedes Endgerät speichert die Daten lokal und lernt gemeinsam ein gemeinsames Vorhersagemodell. Die Sicherheit der Nutzerdaten und die unbegrenzte Anzahl der beteiligten Geräte sind die Hauptvorteile dieses Ansatzes. FL kann im Gesundheitswesen, beim autonomen Fahren und in IoT-Systemen eingesetzt werden, wo die Anzahl der angeschlossenen Geräte von Tausenden bis zu Millionen variiert.

AI-Beschleuniger-Architektur

In den letzten Jahren wurden Techniken der künstlichen Intelligenz (KI) und des maschinellen Lernens in einer Vielzahl von Technologien wie Kommunikation, autonomes Fahren und intelligente Industrie eingesetzt. Die gängigen GPU-Plattformen sind nicht für Anwendungen mit geringem Stromverbrauch geeignet, wie z. B. Edge-Anwendungen. Um eine schnellere und energieeffizientere Verarbeitung von KI-Workloads zu ermöglichen, ist eine neue Beschleunigerarchitektur erforderlich. FPGA sind aufgrund ihrer Flexibilität und Parallelisierungsfähigkeit die vielversprechendsten Hardware-Plattformen.

Lehre

2311645 Digital Hardware Design Laboratory

Studentische Arbeiten
Titel	Typ
Hardware-Beschleuniger für geräteinternes Training und neuronale Sucharchitektur	Masterarbeit
Implementierung einer kombinierten Metrik für die Bewertung verschiedener Plattform/DNN-Experimente	Bachelorarbeit
Implementierung der Messung der Leistungseffizienz von Computerplattformen	Bachelorarbeit

Publikationen

2024

Proceedingsbeiträge

VHDL Crash Course: A Multimedia-Based Teaching Approach
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Harbaum, T.; Becker, J.
2024. 2024 IEEE 3rd German Education Conference (GECon), Munich, Germany, 05-07 August 2024, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/GECon62014.2024.10734007

HW/SW Co-Design for Integrated AI Systems: Challenges, Use Cases and Steps Ahead
Harbaum, T.; Topko, I.; Serdyuk, A.; Fürst-Walter, I.; Kreß, F.; Becker, J.
2024. 3rd Workshop on Deep Learning for IoT (DL4IoT-2024)

Audio & Video

[VHDL Crash Course] Testbenches - How to Test your VHDL model
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Schneider, M.; Becker, J.
2024

[VHDL Crash Course] Concurrent Modeling - The Register-Transfer-Level Mindset
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Schneider, M.; Becker, J.
2024

[VHDL Crash Course] Sequential Modeling - Introduction to If and Case Statements
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Schneider, M.; Becker, J.
2024

[VHDL Crash Course] Processes in VHDL - How to model sequential Algorithms
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Schneider, M.; Becker, J.
2024

[VHDL Crash Course] Avoiding Code Duplicates - VHDL Module Parameters and Architectures
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Schneider, M.; Becker, J.
2024

[VHDL Crash Course] Bit Vectors and Numbers - Basic VHDL Types
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Schneider, M.; Becker, J.
2024

[VHDL Crash Course] Entity and Architecture - Introduction to the basic VHDL structure
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Schneider, M.; Becker, J.
2024

[VHDL Crash Course] HDLs in general - What are HDLs used for
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Schneider, M.; Becker, J.
2024

[VHDL Crash Course] How to Learn with Videos - Introduction to Self-regulated Learning
Kreß, F.; Sidorenko, V.; Topko, I.; Unger, K.; Schneider, M.; Becker, J.
2024

2022

Zeitschriftenaufsätze

The Test Bench for BM@N Forward Silicon Tracker Front-End Electronics and Silicon Modules
Topko, B.; Topko, Y.; Khabarov, S.; Zamyatin, N.; Zubarev, E.
2022. IEEE Transactions on Nuclear Science, 69 (1), 98–104. doi:10.1109/TNS.2021.3136944

Design of the Front-End Electronics for Silicon Beam Profilometer Prototype for Light Ions at the BM@N Experiment
Topko, Y.; Khabarov, S.; Topko, B.; Kovalev, Y.; Zamyatin, N.; Tarasov, O.; Zubarev, E.
2022. IEEE Transactions on Nuclear Science, 69 (3), 634–638. doi:10.1109/TNS.2022.3150753

SoC-FPGA based data acquisition system for position sensitive silicon detectors
Topko, Y.; Topko, B.; Khabarov, S.; Zamyatin, N.
2022. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 1033, Artkl.Nr.: 166680. doi:10.1016/j.nima.2022.166680

2021

Zeitschriftenaufsätze

Unperturbed inverse kinematics nucleon knockout measurements with a carbon beam
BM@N Collaboration; Patsyuk, M.; Kahlbow, J.; Laskaris, G.; Duer, M.; Lenivenko, V.; Segarra, E. P.; Atovullaev, T.; Johansson, G.; Aumann, T.; Corsi, A.; Hen, O.; Kapishin, M.; Panin, V.; Piasetzky, E.; Abraamyan, K.; Afanasiev, S.; Agakishiev, G.; Alekseev, P.; Ivanova, Y.; u. a.
2021. Nature Physics, 17 (6), 693–699. doi:10.1038/s41567-021-01193-4