KISS
KI-Labor Systemdesign für Maschinelles Lernen in Anwendungen der Signalverarbeitung
Das BMBF-geförderte Projekt "KISS: KI Labor Systemdesign für Maschinelles Lernen in Anwendungen der Signalverarbeitung" erforscht neue Entwicklungswerkzeuge, um KI-basierte Algorithmen der Signalverarbeitung zu verbessern und dann Computer-unterstützt in hocheffiziente Implementierungen zu überführen. Die dadurch reduzierten Entwicklungszeiten versprechen verbesserte oder gar völlig neue Produkte und Dienstleistungen für Mobilität, Kommunikation und Unterhaltung.
Die erzielten Ergebnisse aus der Forschung werden mittels universitärer Lehre und industrieller Weiterbildung an alle relevanten Interessenten weitergegeben. Dies umfasst einerseits die Generierung von Trainingsdaten sowie andererseits die effiziente Umsetzung und Optimierung von Endsystemen, welche aus unterschiedlichen Recheneinheiten wie beispielsweise Grafikkarten oder programmierbaren Chips bestehen. Durch die Kombination von klassischen Verfahren mit Methoden des maschinellen Lernens wird zum einen die Anwendbarkeit erhöht sowie die Einstiegshürden für Industrieunternehmen gesenkt.
Zur Erreichung dieser Ziele werden die anzuwendenden Algorithmen mit hohem Abstraktionsniveau in sogenannten semantischen Modellen modelliert, welche dann Computer-unterstützt vereinfacht und auf unterschiedliche Zielplattformen übertragen werden können. Außerdem werden Konzepte bereitgestellt, mit denen Trainingsdaten aus vorhandenen Daten-Pools und Simulationsumgebungen gewonnen werden können. Zur Sicherstellung der Praxistauglichkeit werden diese Methoden an unterschiedlichen Video-, Sprach- und Audioanwendungen getestet.
KISS ist ein Projekt der beiden Verbundpartner Fraunhofer IIS und des Lehrstuhls für Hardware-Software-Co-Design. Weitere Informationen über das Projekt finden Sie unter https://www.iis.fraunhofer.de/kiss
Publikationen
- Heidorn C., Meyerhöfer N., Schinabeck C., Hannig F., Teich J.:
Hardware-Aware Evolutionary Filter Pruning
International Conference on Embedded Computer Systems: Architectures, Modeling and Simulation (SAMOS XXII) (Pythagoreio, Samos, 3. Juli 2022 - 7. Juli 2022)
DOI: 10.1007/978-3-031-15074-6_18
BibTeX: Download - Sabih M., Hannig F., Teich J.:
DyFiP: Explainable AI-based Dynamic Filter Pruning of Convolutional Neural Networks
2nd European Workshop on Machine Learning and Systems (EuroMLSys) (Rennes, France, 5. April 2022 - 8. April 2022)
In: Proceedings of the 2nd European Workshop on Machine Learning and Systems (EuroMLSys), New York, NY, United States: 2022
DOI: 10.1145/3517207.3526982
BibTeX: Download - Sabih M., Hannig F., Teich J.:
Fault-Tolerant Low-Precision DNNs using Explainable AI
Workshop on Dependable and Secure Machine Learning (DSML) (Virtual Workshop, 21. Juni 2021 - 24. Juni 2021)
In: 2021 51st Annual IEEE/IFIP International Conference on Dependable Systems and Networks Workshops (DSN-W) 2021
DOI: 10.1109/DSN-W52860.2021.00036
URL: https://ieeexplore.ieee.org/document/9502445/
BibTeX: Download - Keszöcze O.:
Precision- and Accuracy-Reconfigurable Processor Architectures—An Overview
In: IEEE Transactions on Circuits and Systems II: Express Briefs 69 (2022), S. 2661 - 2666
ISSN: 1057-7130
DOI: 10.1109/TCSII.2022.3173753
BibTeX: Download - Hannig F., Meloni P., Spallanzani M., Ziegler M. (Hrsg.):
Proceedings of the DATE Friday Workshop on System-level Design Methods for Deep Learning on Heterogeneous Architectures (SLOHA 2021)
2021
Open Access: http://arxiv.org/html/2102.00818
URL: http://arxiv.org/abs/2102.00818
BibTeX: Download