Dipl.-Spezialistin Iuliia Topko

  • Engesserstr. 5

    76131 Karlsruhe

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.

Publikationen


2024
Proceedingsbeiträge
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)
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