Personen und Einrichtungen

Datum

Beschreibung

Neuronale Netze sind dem menschlichen Gehirn nachempfunden und können viele schwierige Aufgaben wie Bild- und Spracherkennung sowie -erzeugung als auch autonomes Fahren bewältigen. Herkömmliche Computer-Hardware unterliegt dem von-Neumann Engpass zwischen CPU und Speicher, sodass neue Strategien zur Bewältigung des enormen Datenwachstums benötigt werden. Diesem Problem kann mit dem so genannten In-Memory-Computing begegnet werden, bei dem Speicherhardware zum Speichern und Berechnen von Daten in ein und demselben Gerät verwendet wird. Eine vielversprechende Lösung sind neuartige Materialien im Nanomaßstab die Widerstände mit Speicherfunktion haben, so genannte Memristoren.

In diesem Kurs werden die grundlegenden Konzepte des maschinellen Lernens und neuronaler Netze für verschiedene Datentypen wie Zeitreihen und Bilder vorgestellt. Die Teilnehmer lernen verschiedene Netzwerk-Lernmethoden, Optimierer und Verlustfunktionen kennen und verstehen, dass diese Methoden auf große Datenmengen angewiesen sind und dass die Rechenleistung ein limitierender Faktor bei der Entwicklung neuronaler Modelle ist.

Anschließend wird der Kurs eine Brücke von der Software zu Hardware-Beschleunigern für die Implementierung neuronaler Netze schlagen, die speziell auf memristiven Bauteilen basieren. Es werden die Grundlagen der Memristor-Theorie und ihre Anwendung in Crossbars, Logikschaltungen und Neuronen vorgestellt und Einblicke in die Konzepte des Crossbar-Mappings, der Peripherie und der Spiking Neural Networks gegeben.

Darüber hinaus lernen die Studierenden, die Sprache Python anzuwenden und grundlegende neuronale Modelle in Code zu implementieren, indem sie ML-bezogene Python-Bibliotheken wie PyTorch verwenden und memristive Schaltungen mit LTSpice simulieren.

Parallel zum Kurs werden die Studierenden ein eigenes Semesterprojekt mit Python oder SPICE bearbeiten und die Implementierungsergebnisse am Ende der Vorlesung vorstellen.