Die Research Unit Embedded AI entwickelt energie- und recheneffiziente KI für Industrie- und IoT-Systeme, wobei der Schwerpunkt auf Robustheit, Zuverlässigkeit und dem Einsatz in der Praxis liegt.
Unsere Forschung verbindet klassische Signalverarbeitung, Fachwissen und modernes maschinelles Lernen, um eingebettete KI-Lösungen zu entwickeln, die effizienter, vertrauenswürdiger und besser interpretierbar sind als rein datengesteuerte Ansätze. Wir sind davon überzeugt, dass hybride KI-Methoden, die Vorinformationen und physikalisches Wissen explizit integrieren, unerlässlich sind, um mit Messunsicherheiten, Hardware-Einschränkungen und Umgebungsschwankungen umzugehen, wie sie für industrielle Anwendungen typisch sind.
Ein charakteristisches Merkmal unserer Arbeit ist die enge Kopplung zwischen KI-Modellen und Hardware. Wir verfolgen einen Hardware-Software-Co-Design-Ansatz, bei dem Lernalgorithmen, Modellarchitekturen und Hardwareplattformen gemeinsam entwickelt werden, um optimale Leistung, Latenz und Energieeffizienz auf eingebetteten Systemen zu erreichen.
Ein wesentlicher Bestandteil unserer Arbeit ist die Entwicklung von:
- Feature Engineering und explorative Datenanalyse als zentrale Voraussetzungen für effiziente, interpretierbare & datenzentrierte eingebettete KI
- Anomalieerkennung und -identifizierung bei begrenzter Datenverfügbarkeit und strengen Anforderungen an die Vermeidung von Fehlalarmen, um einen zuverlässigen Betrieb in industriellen und sicherheitskritischen Umgebungen zu ermöglichen
- Open-Set-Erkennung und Reject-Option-Methoden, die es eingebetteten KI-Systemen ermöglichen, unbekannte oder unvorhergesehene Situationen sicher zu bewältigen
- Integration von Vorwissen – wie physikalische Modelle, Systembeschränkungen und Expertenerkenntnisse – in Lernalgorithmen, um den Datenbedarf zu reduzieren und die Generalisierungsfähigkeit zu verbessern
- Multimodale Signalverarbeitung und Sensorfusion, die Bild-, Audio-, Laser-, Netzwerk- und andere Sensordaten abdeckt
- Von der Physik inspirierte und physikalisch informierte neuronale Netze, die physikalische Prinzipien direkt in Modellarchitekturen oder Trainingsprozesse einbetten, um Robustheit, Effizienz und Erklärbarkeit zu verbessern
- Energiesparende eingebettete Echtzeit-KI, entwickelt durch enge Hardware-Software-Integration, einschließlich von der biologischen Informationsverarbeitung inspirierter Ansätze mit spikenden neuronalen Netzen
