Verbundprojekt: Zuverlässige Low-Power Elektroniksysteme für sicheres Edge Computing - FRACTAL -; Teilvorhaben: Entwicklung einer zeitgesteuerten Plattform für künstliche Intelligenz mit Echtzeitfähigkeit, funktionaler Sicherheit und Energieeffizienz

Das Ziel der Forschungsaktivität ist es einen zuverlässigen FRACTAL-Rechenknoten zu schaffen, der Edge-Computing mit künstlicher Intelligenz (sogenannte Cognitive Edge) für sicherheitsrelevanten Systeme nach Industriestandards unterstützt. Der Rechenknoten wird der Baustein für ein skalierbares Internet der Dinge (von intelligenten Niedrigenergie-Computersystemen bis hin zu Hochleistungsknoten) sein. Die kognitiven Fähigkeiten werden durch eine interne und eine externe Architektur bestimmt und erlauben die Prognose der Leistung des Computersystems und des Zustands der umgebenden Welt. Der Knoten wird mit der Fähigkeit zu lernen ausgestattet sein um seine Leistung in Anbetracht der Unsicherheit der Umgebung zu verbessern. Als Ergebnis der Integration von Rechenknoten mit den zugehörigen kognitiven Systemen in ein umschließendes fraktales Netzwerk wird es weitere entscheidende Vorteil geben. Dazu gehören Emergenz und Anpassungsfähigkeit um neue Funktionen in dem geschaffenen Möglichkeitsraum kognitiver Systeme zu ermöglichen. Im Rahmen des ECSEL-Vorhabens wird die Universität Siegen (SIEG) die Hardwarearchitektur des genannten Rechenknotens auf Grundlage eines zeitgesteuerten Networks-on-a-Chip (NoC) entwickeln. Das NoC wird generische Berechnungsressourcen (z.B. CPUs, I/O) und heterogene Ressourcen für künstliche Intelligenz mit zeitlicher Vorhersagbarkeit, Fehlerisolation und zeitlich/räumlicher Segregation zwischen Anwendungen unterschiedlicher Kritikalität integrieren. Das Umschalten zwischen zeitgesteuerten Plänen wird zu Adaptivität und Energieeffizienz beitragen. SIEG wird Schedulingalgorithmen auf Basis neuronaler Netze entwickeln um die zeitgesteuerten Pläne für die verschiedenen Hardwarebausteine (z.B. Netzwerkschnittstellen) zu berechnen, wobei Zuverlässigkeit, Echtzeitfähigkeit und Energieeffizienz optimiert werden. Die Inferenz von Schedules mit neuronalen Netzen wird den Zeitbedarf signifikant reduzieren und die Neuberechnung zur Laufzeit ermöglichen.