Institut für Technik der Informationsverarbeitung (ITIV)

Co-Design von KI-Algorithmus und KI-Akzelerator zur Erhöhung der Resilienz gegenüber zufälligen Hardwarefehlern

Co-Design von KI-Algorithmus und KI-Akzelerator zur Erhöhung der Resilienz gegenüber zufälligen Hardwarefehlern

.
Co-Design von Algorithmus und Akzelerator
.
Fatale Fehlklassifikation durch Hardwarefehler: Statt einem LKW wird ein Vogel erkannt

Umfeld

 

Künstliche Intelligenz und neuronale Netze spielen In den letzten Jahren eine immer größere Rolle, insbesondere in der Bildverarbeitung. Dadurch werden hochkomplexe Anwendungen wie Computer Vision im autonomen Fahren ermöglicht. Je genauer diese Modelle allerdings werden, umso größer wird auch der Rechenaufwand. Da normale Computer dafür nicht mehr ausreichen, wird an speziellen Hardwarebeschleunigern geforscht, die auch eingebettet in mobile Systeme die anspruchsvollen Echtzeitanforderungen erfüllen.

Am ITIV wird dazu insbesondere an der Absicherung, sowohl der Algorithmen, aber vor allem an den zugrundeliegenden, neuen Hardwarearchitekturen geforscht. Das Thema soll auch im Rahmen dieser Arbeit betrachtet werden.

 

Aufgabe

 

Konkret soll in der Arbeit untersucht werden inwieweit sich die Resilienz gegenüber zufälligen Hardwarefehlern als neue Metrik in den Designprozess einführen lässt. Eine wichtige Rolle spielt dabei die Simulation der Fehlerpropagierung auf dem KI-Akzelerator. In Kombination mit dem hochaktuellen Forschungsthema Neural Architecture Search (NAS) soll gleichzeitig eine sichere und performante Netztopologie gefunden werden.

Dabei kann die Arbeit in die folgenden Teilschritte gegliedert werden:

  • Einarbeitung in das Aufgabenumfeld, neuronale Netze, KI-spezialisierte Hardwarebeschleuniger sowie Hardwarefehler
  • Entwicklung eines Konzepts und einer exemplarischen Implementierung für den Co-Design Prozess auf Basis eines bestehenden Simulators.
  • Test und Evaluation des Verfahrens

 

Voraussetzungen

  • Interesse an: Machine Learning und dem Verständnis auf einer tiefen Ebene
  • Kenntnisse in C/C++ werden vorausgesetzt, Vorkenntnisse in genereller Softwareentwicklung und Machine Learning sind von Vorteil