Cognitive Edge Computing für Multi-Sensor-Anwendungen mit Spärlichkeit in den Daten und hohen Latenzanforderungen (Edge4SparseML)

Künstliche Intelligenz, Maschinelles Lernen, Hardwarebeschleunigung, Cognitive/Very Edge Computing, Eingebettete KI, Sensorfusion, Verteilte Sensorik, Sparse Learning, Dimensionsreduktion, Pruning

Hochschule Bielefeld
Fachbereich Ingenieurwissenschaften und Mathematik
Interaktion 1
33619 Bielefeld

Projektbeteiligung

BST Group

Projektlaufzeit

01.01.2025 – 30.06.2029

Projektförderung

gefördert vom BMBF (FH-Kooperativ)

Kurzbeschreibung

Übergeordnetes Ziel ist die Entwicklung eines Methodenbaukastens für die effiziente Ausführung von KI- und ML-Verfahren auf ressourcenbeschränkter Hardware. Aufbauend auf dem Methodenkasten sollen automatisierte Verfahren zur Exploration des Entwurfsraums geeigneter Kombinationen von KI-Verfahren und Hardware im Sinne eines HW-/KI-Co-Designs erforscht werden. Dabei soll nicht nur die vollständige Kette als linearer Prozess von der Modellbildung bis zur Inferenz, sondern auch die Rückwirkungen der Wahl der möglichen Hardware-Konfigurationen auf die ursprüngliche Modellbildung betrachtet werden.

Der Methodenbaukasten und die Verfahren zum HW-/KI-Co-Design werden am Beispiel der bahnverarbeitenden Industrie für die Oberflächeninspektion in der Batteriezellfertigung erprobt und evaluiert. Bahngeschwindigkeiten von mehreren hundert Metern pro Sekunde machen hier den Einsatz automatischer Beobachtungssysteme unter Echtzeitbedingungen mit Bildwiederholraten von bis zu 500 fps erforderlich.

Daher sollen passgenaue KI-/ML-Verfahren, beispielsweise aus dem Bereich der ereignisgetriebenen Klassifikation oder der Dimensionsreduktion, evaluiert und so weiterentwickelt werden, dass sie für das gegebene Anwendungsszenario einen geeigneten Kompromiss zwischen Leistungsfähigkeit und Echtzeitanforderungen bieten.

Automatisierte Verfahren zur Entwurfsraumexploration (Charakterisierung der Hardware anhand unterschiedlicher Bewertungsmaße, Modellierung von Leistungsfähigkeit, Energiebedarf etc.) für den Methodenbaukasten bilden in Verbindung mit den KI-/ML-Verfahren einen ganzheitlichen Ansatz zur automatisierten Entwurfsraumexploration im Sinne eines HW-/KI-Co-Designs. Dem Anwender werden Vorgehensmodelle und automatisierte Entwurfswerkzeuge zur Verfügung gestellt, die es ermöglichen, ausgehend von einem gegebenen Anwendungsszenario und Bewertungsmaßen, Empfehlungen für eine optimale Kombination von KI-Verfahren und geeigneter (Edge-)Hardwarearchitektur zu erhalten.