Forschung

Datenflussverarbeitung für DAQ Systeme

Neue Fortschritte im Bereich der Telekommunikation führen zu steigenden Anforderungen an die Brandbreite in der digitalen Signalverarbeitung. Neue Standards sind in der Lage sub-terabit Datenraten zu übertragen. Die Charakterisierung solcher Systeme erfordert die Verarbeitung, Validierung und Speicherung der erzeugten Messdaten. Stream-Prozessoren spielen eine Schlüsselrolle bei der Entwicklung von Datenerfassungssystemen (DAQ Systeme). Am ITIV wollen wir ein Framework für rekonfigurierbare DAQ Systeme entwickeln, das die Spezifikation zukünftiger Übertragungsstandards ermöglicht.

Umsetzung von GNNs auf Hardwarebeschleunigern

Graph Neural Networks (GNNs) erweitern konventionelle Deep-Learning-Methoden auf graphische Strukturen. Ihre verallgemeinerte Formulierung eröffnet neue Möglichkeiten in Anwendungsbereichen wie der Bildverarbeitung, dem Monitoring oder der Netzwerkanalyse. Insbesondere bei deren Umsetzung in Echtzeitanwendungen stellen Bandbreite und Speicherlatenz deutliche Engpässe dar. Daher ist der Einsatz von reprogrammierbaren Hardwareplattformen wie FPGAs ein zentrales Thema in aktuellen Studien. Am ITIV versuchen wir die Einsatzfähigkeit von GNNs in eingebetteten Systemen zu verbessern.

Datengesteuerter Entwurf von Triggersystemen

Teilchenbeschleuniger erzeugen während ihrer Experimente riesige Datenmengen und benötigen daher so genannte Triggersysteme. Diese Systeme implementieren Filtermechanismen zur Unterscheidung zwischen relevanten und irrelevanten Detektorereignissen. Variierende Hyperparameter während der Physikexperimente erfordern automatisiertes Training und eine Rekonfiguration der Firmware im Detektor. Hier am ITIV untersuchen wir Maßnahmen zur Anpassung latenzoptimierter Triggersysteme auf veränderte Umgebungsvariablen.

Lehre

LV 231162 Praktikum System-on-Chip

Studentische Arbeiten
Titel	Typ
Decoding Decay - Real-Time Particle Detection from Point Clouds	Masterarbeit
Compiler-Based Integration of Neural Network Accelerators	Masterarbeit

HIWI-Jobs
Titel
Empowering Tomorrow's Engineers: MLIR-Based Toolchain for Transforming Python Neural Networks into Verilog Hardware

Publikationen

2026

Dissertationen

Template-Based Deployment for Real-Time Deep Learning on Point Clouds. Dissertation
Neu, M.
2026, September 3. Karlsruher Institut für Technologie (KIT). doi:10.5445/IR/1000196764

Zeitschriftenaufsätze

Development of deep neural network first-level hardware track trigger for the Belle II experiment
Liu, Y.-X.; Koga, T.; Bae, H.; Yang, Y.; Kiesling, C.; Meggendorfer, F.; Unger, K.; Hiesl, S.; Forsthofer, T.; Ishikawa, A.; Ahn, Y.; Ferber, T.; Haide, I.; Heine, G.; Hsu, C.-L.; Little, A.; Nakazawa, H.; Neu, M.; Reuter, L.; Savinov, V.; Unno, Y.; Yuan, J.; Xu, Z.
2026. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 1084, Art.-Nr.: 171248. doi:10.1016/j.nima.2025.171248

Proceedingsbeiträge

Reconfigurable Computing Challenge: Real-Time Graph Neural Networks for Online Event Selection in Big Science
Neu, M.; Baptist, F.; Lobmaier, T.; Papagno, F.; Ferber, T.; Becker, J.
2026. 2026 IEEE 34th Annual International Symposium on Field-Programmable Custom Computing Machines (FCCM), 289–293, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/FCCM68464.2026.00074