Zusammenfassung

Um die Ausführung von künstlichen Neuronalen Netzen (NN) energieeffizienter gestalten zu können, werden diese in aktueller Forschung auf Field Programmable Gate Arrays (FPGA) ausgeführt. Dies erlaubt es NNs effizient "in Hardware" auszuführen und gleichzeitig deren Struktur jederzeit anpassen zu können. Durch die begrenzte Anzahl an verfügbaren Resourcen auf eingebetteten FPGAs müssen NNs jedoch entsprechend angepasst werden um ausführbar zu sein.

Statt zu versuchen, generische künstliche Neuronen für ein vorgegebenes ANN so effizient wie möglich umzusetzen, werden zuerst maßgeschneiderte Neuronen im Hinblick auf die Stärken und Schwächen von FPGAs entworfen. Die Neuronen sollen mit möglichst wenig Hardwareaufwand (d.h. durch wenige Lookup Tabellen, LUTs) und daher sehr energieeffizient realisiert werden. Wir zeigen das Potenzial dieses Ansatzes anhand von Artefakterkennung in EKG Herzdaten.

Laufzeit

Projektstart:  01.10.2019

Projektende: 30.09.2020

Ziel

Anhand von vortrainierten und voroptimierten Neuronalen Netzen werden KI-Lösungen entwickelt, welche sich auf FPGAs hocheffizient ausführen lassen können. Wir zeigen dieses Potenzial anhand von Artefakterkennung in EKG Herzdaten.