Dipl.-Spezialistin Iuliia Topko
- Wissenschaftliche Mitarbeiterin
- Gruppe: Prof. Becker
- Raum: 126
CS 30.10 - Tel.: +49 721 608-46500
- iuliia topko ∂ kit edu
Engesserstr. 5
76131 Karlsruhe
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.
Titel | Typ |
---|---|
Hardware-Beschleuniger für geräteinternes Training und neuronale Sucharchitektur | Masterarbeit |
Implementierung der Messung der Leistungseffizienz von Computerplattformen | Bachelorarbeit |
Implementierung einer kombinierten Metrik für die Bewertung verschiedener Plattform/DNN-Experimente | Bachelorarbeit |
Publikationen
Harbaum, T.; Topko, I.; Serdyuk, A.; Fürst-Walter, I.; Kreß, F.; Becker, J.
2024. 3rd Workshop on Deep Learning for IoT (DL4IoT-2024)
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
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
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
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