Wie Sie wissen, habe ich am 30. Oktober 2020 mein Promotionsstudium in Computer und Informationstechnologie abgeschlossen und die Note „Exzellent“ (auch bekannt als Summa cum Laude) für meine Doktorarbeit „Powering and Evaluating Deep Learning-based Systems using Green Energy“ erhalten. Wenn Sie daran interessiert sind, es zu lesen, finden Sie den Link am Ende dieses Blogposts.
Zusammenfassung meiner Doktorarbeit:
In den letzten Jahren sind die Fortschritte im Bereich der Künstlichen Intelligenz, insbesondere bei den Deep-Learning-Algorithmen, in rasantem Tempo gewachsen und werden diesen Trend auch in den kommenden Jahren fortsetzen. Von der Hardware bis zur Software-Implementierung werden aktive Forschungsstudien in verschiedenen Branchen durchgeführt, um diese vom Gehirn inspirierten Algorithmen in jeden Aspekt unseres Lebens zu integrieren. Da diese Algorithmen jedoch eine große Menge an Zeit, Energie, Daten und Rechenleistung benötigen, sind ihre Auswirkungen auf die Umwelt ein bestimmendes Thema. Um dieses Problem zu lösen, schlagen wir unter Berücksichtigung der jüngsten „Green AI“-Bestrebungen, die sich auf die Energieeffizienz von KI-Systemen konzentrieren, vier neuartige umweltfreundliche Metriken zur Bewertung der Leistung von Deep Learning-Modellen und -Systemen vor, die nicht nur auf ihrer Genauigkeit, sondern auch auf ihrem Energieverbrauch und ihren Kosten basieren.
Die aktuelle Doktorarbeit beginnt mit der Implementierung von Deep Learning-Anwendungen zur Bildklassifizierung, die Probleme im Zusammenhang mit Betrug und Sicherheit lösen. Durch die Beobachtung des enormen Energieverbrauchs und der Kosten sowie des Zeitaufwands für die Datenkuration entscheiden wir uns, diese Probleme mit Hardware- und Softwareansätzen zu lösen. Dazu bauen und verbessern wir zunächst einen zweiachsigen Solartracker, mit dem wir erfolgreich ein auf Deep Learning basierendes Echtzeitsystem betreiben. Um die Betriebskosten des vorgeschlagenen zweiachsigen Solartrackers zu minimieren und sicherzustellen, dass wir benachrichtigt werden, sobald eine mögliche Störung auftritt, haben wir Hardware- und Software-Testmethoden zur Erkennung möglicher Fehler implementiert, die während des Betriebs auftreten können. Zweitens haben wir eine Computer-Vision-Anwendung implementiert, die nicht nur das Problem der Datenerfassung, -bereinigung und -beschriftung mit Hilfe von Deep Learning löst, sondern auch die Möglichkeit für jedermann bietet, unsere vorgeschlagenen Metriken in einer benutzerfreundlichen Oberfläche zu verwenden.
Schließlich haben wir auch einen erschwinglichen und sensorlosen Flying Probe-inspirierten In-Circuit-Tester zum Testen von Leiterplatten implementiert, der hinsichtlich Präzision, Testzeit, Stromverbrauch und Kosten effizient ist, sowie eine Reihe von Techniken zur Verbesserung der Durchsatzleistung einer Secure Hash Algorithm-256-Hardwareimplementierung.
Mein Ph.D. Thesis Zusammenfassung kann auch hier gelesen werden.
Neueste Kommentare