Project Scale4Edge – Skalierbare Low-Power RISC-V-basierte Prozessorplattform mit anwendungsspezifischen AI-Acceleratoren

Basic data

Acronym:
Scale4Edge
Title:
Skalierbare Low-Power RISC-V-basierte Prozessorplattform mit anwendungsspezifischen AI-Acceleratoren
Duration:
01/05/2020 to 30/04/2023
Abstract / short description:
Ziel von Scale4Edge ist die Entwicklung und Bereitstellung eines Ökosystems für eine skalierbare und flexibel erweiterbare Edge-Computing-Plattform, welches auf der freien RISC-V-Instruktionssatzarchitektur basiert. Das Ökosystem deckt alle essenziellen Aspekte wie Low-Power, Sicherheit, Zuverlässigkeit, Verifikation, Test, Compiler, Software-Bibliotheken und Debugging ergänzt durch Spezifikation, Verifikationsplan und Dokumentation ab. Es bietet somit eine skalierbare, maßgeschneiderte Komplettlösung einschließlich Support. Hierzu gehören auch standardkonforme Entwurfsprozesse, teilweise quelloffene Software und ebenso die Sicherheit (Safety, Security) der Plattform sowie eine intensive Überprüfung und Analyse der Entwicklungen. Da auf mobilen Edge-Computing-Plattformen nur begrenzte Rechen- und Speicherressourcen zur Verfügung stehen, besteht ein hoher Bedarf an hochperformanten, eingebetteten Hardwarearchitekturen, die in der Lage sind, Deep-Learning-Verfahren für die intelligente Sensordatenauswertung energieeffizient auszuführen ohne Echtzeitanforderungen zu verletzen. Die Arbeiten der Universität Tübingen zielen darauf ab, energie- und ressourceneffiziente Hardware-Beschleuniger-Architekturen für eine RISC-V-Plattform für Edge-Computing-Systeme zu explorieren und zu entwickeln, die maßgeschneidert in ihre Umgebung eingebettet werden können und mit dieser selbstständig interagieren. Dabei sollen räumliche und zeitliche Informationen innerhalb der Eingabedaten ausgenutzt werden, um weniger wirksame Eingabekanäle zu identifizieren, deren Berechnung dynamisch zu maskieren und die Low-Power-Architekturmaßnahmen datengetrieben anzusprechen. Dies ermöglicht eine effiziente Prozessierung von Sensordatenströmen mit einer durchschnittlichen elektrischen Leistungsaufnahme deutlich unter 1 mW.
Keywords:
Mikroelektronik
Computer-Architekturen
Rechenbeschleuniger
machine learning
Maschinelles Lernen
sensory
Sensorik
artificial intelligence
künstliche Intelligenz

Involved staff

Managers

Faculty of Science
University of Tübingen
Wilhelm Schickard Institute of Computer Science (WSI)
Department of Informatics, Faculty of Science

Local organizational units

Department of Informatics
Faculty of Science
University of Tübingen

Funders

Bonn, Nordrhein-Westfalen, Germany
Help

will be deleted permanently. This cannot be undone.