anticache

Approximate Computing für DNN-basierte Anwendungen im Fahrzeug

23.04.2018


Zur Fahrumfelderfassung werden Anwendungen mit Deep Neural Networks (DNN) im Fahrzeug entwickelt. Die Herausforderung besteht darin, dass DNNs rechen- und speicherintensiv sind, die Rechenkapazität im Fahrzeug jedoch begrenzt bleibt.
Approximate Computing bezeichnet ein Bündel von Methoden, die darauf beruhen, Berechnungen nicht exakt, sondern nur näherungsweise (approximiert) auszuführen.
DNN-basierte Anwendungen sind für die Verarbeitung unscharfer und widersprüchlicher Daten ausgelegt. Deshalb erscheint Approximate Computing interessant für die Reduktion der Rechenlast bei DNN-basierten Anwendungen. Die Ungenauigkeit des Approximate Computing könnte durch das DNN kompensiert werden. Die Herausforderung besteht darin, Approximate Computing in den Optimierungsprozess der DNN Anwendung einzubinden, um die Rechenlast zu verringern, und gleichzeitig den Qualitätsverlust tolerierbar zu halten.

Wir suchen eine/n

Doktorand/in als Wissenschaftliche/r Mitarbeiter/in für das Thema
Approximate Computing für DNN-basierte Anwendungen im Fahrzeug


Projektbeschreibung

Zusammen mit einem Fahrzeughersteller sollen Methoden des Approximate Computing in FPGA Bausteinen für DNN-basierte Anwendungen untersucht werden. Als Optimierungsmethode soll ein maschinelles Lernverfahren entwickelt werden, mit dem sich die Parameter der Approximation in den Optimierungsprozess der DNN Anwendung einbinden lassen.

Bevorzugte Kenntnisse und Voraussetzungen

  • Master/Diplom Abschluss in Elektrotechnik oder Technischer Informatik,
  • Grundlagen maschineller Lernverfahren und Programmbibliotheken, z.B. TensorFlow,
  • Digitale Schaltungstechnik,
  • Hardwarebeschreibungssprachen VHDL, Verilog,
  • Intel Altera oder Xilinx FPGA Design Flow und Werkzeuge,
  • Programmiersprachen C, Matlab

 

Die Stelle ist voraussichtlich ab 01.07.2018 besetzbar, zeitlich befristet auf zunächst drei Jahre, die Vergütung erfolgt nach dem Tarifvertrag TV-L E13.

Bitte richten Sie Ihre Bewerbung mit den üblichen Unterlagen (Lebenslauf, Zeugnisse) an:

Prof. Dr.-Ing. Walter Stechele
Lehrstuhl für Integrierte Systeme
Technische Universität München
80290 München

Elektronische Bewerbungen senden Sie bitte an nachfolgende Email-Adresse:

lis@ei.tum.de

 

Per Post eingegangene Bewerbungsunterlagen werden nicht zurückgesendet sondern datenschutzgerecht vernichtet.
Schwerbehinderte Personen werden bei gleicher Eignung bevorzugt eingestellt. Die TUM strebt eine Erhöhung des Frauenanteils an. Bewerbungen von Frauen werden daher ausdrücklich begrüßt.