AG Ressourceneffiziente Mikroelektronik und Cognitive Edge Computing (ReMi)

Die fortschreitende Miniaturisierung mikroelektronischer Schaltkreise ermöglicht zum einen die Integration von mehr und mehr Transistoren auf einem einzelnen Chip. Zum anderen können dadurch auch immer höhere Taktfrequenzen erreicht werden. Die alleinige Erhöhung der Taktfrequenz geht aber auch mit einer steigenden Leistungsaufnahme und sinkenden Energieeffizienz einher. Der aktuelle Trend in der Entwicklung eingebetteter Systeme geht daher mit einer zunehmenden Parallelisierung einher: Mehrere parallele Verarbeitungseinheiten können den gleichen Durchsatz wie Einzelprozessoren zur Verfügung stellen – Allerdings bei vergleichsweise geringerer Taktfrequenz und höheren Energieeffizienz. Die Regularität massiv-paralleler On-Chip-Multiprozessoren (Multiprocessor-System-On-Chips, MPSoCs) in Verbindung mit einer leistungsfähigen On-Chip-Kommunikationsinfrastruktur (Network-On-Chip, NoC) führt zu einer hohen Skalierbarkeit und ermöglicht so die Realisierung von MPSoCs mit hunderten oder tausenden Rechenkernen.

Moderne KI-Verfahren sind aus der heutigen Zeit nicht mehr wegzudenken. Die Leistungsfähigkeit etablierter ML-Verfahren als Teilgebiet der KI basiert aber bisher meist auf der Nutzung leistungsfähiger dezentraler Rechenressourcen (High-Performance Computing, HPC) in der Cloud. Nicht nur für das Lernen der Modelle, sondern auch für deren Ausführung (Inferenz) ist der Anwender auf diese leistungsfähigen Ressourcen angewiesen. Die insbesondere im Bereich der industriellen Anwendung auftretenden Anforderungen weichen jedoch aufgrund hoher Ansprüche an niedrige Latenz, Echtzeitfähigkeit oder die Verarbeitung der Daten nahe ihrer Entstehung (Datenlokalität) von den durch große Anbieter von KI-/ML-Know-How adressierten Fragestellungen ab.

Im Bereich der effizienten Ausführung von KI-Verfahren auf eingebetteten Systemen (Cognitive Edge Computing) wurden in der Vergangenheit große Fortschritte gemacht. Auf allen Ebenen der unterschiedlichen Verarbeitungskonzepte (Cloud, Fog, Edge, Very Edge) finden sich eine Vielzahl potenzieller Hardwarearchitekturen und KI-beschleuniger, die sich in den zur Verfügung stehenden Systemressourcen (z.B. Performanz oder Leistungsaufnahme) unterscheiden. Beispiele für relevante Hardwarearchitekturen sind eingebettete Mikrocontroller mit integrierter KI-Beschleunigung, Embedded GPUs/FPGAs, dedizierte KI-Hardwarebeschleuniger oder High-End GPUs/FPGAs aus dem HPC-Bereich.

Übergeordnetes Ziel der AG „Ressourceneffiziente Mikroelektronik und Cognitive Edge Computing“ ist daher die Erforschung von Methoden und Verfahren für die effiziente Ausführung von KI- und ML-Verfahren auf ressourcenbeschränkter Hardware im Sinne eines HW/KI-Co-Designs. Bei der Exploration des sich daraus ergebenen Entwurfsraums betrachten wir nicht nur den linearen Prozess von der Modellbildung bis zur Inferenz, sondern auch die Rückwirkungen der Wahl geeigneter Hardware auf die ursprüngliche Modellbildung.

Die in der Arbeitsgruppe entwickelten Methoden und Verfahren evaluieren wir in den praktischen Anwendungsszenarien der im Folgenden aufgeführten abgeschlossenen und laufenden Forschungsprojekten im Rahmen des CareTech OWL, des ISyM sowie weiteren Forschungsverbünden an der HSBI.