Forschungsprojekte
FPGA-Implementierungen für Feed-Forward- und QKD-Systeme
Dieses Arbeitspaket beschäftigt sich mit dem Entwurf und der Realisierung von digitaler Hardware für die Auswertung von Quanten-Ereignissen. Diese ist in verschiedenen Quantenkommunikationsszenarien von Nöten, um Photonenereignisse auswerten, klassifizieren und darauf schnell reagieren zu können.
Konkret ist das Ziel dieses Arbeitspakets die Konzeption, Entwicklung, Verifikation und der Test von FPGA-basierter Signalverarbeitung um einerseits von Photonendetektoren bereitgestellte Signale digital zu dekodieren, mit Zeitstempel zu versehen, anhand zuvor gespeicherter Werte zu kalibrieren, die Parameter für den Phasenmodulator zu bestimmen und diese an die Digital-Analog-Konverter zu übergeben. Dies wird benötigt um modulare und erweiterbare Quanten-basierte Feed-Forward-Systeme in mehreren Ausbaustufen realisieren zu können.
Zweitens soll für ein Kommunikationsszenario, das mit Hilfe eines Quantenschlüsselverteilungsverfahrens (engl. Quantum-Key-Distribution - QKD) die Kommunikation sichert, ein FPGA-basiertes System konzipiert, entwickelt, verifiziert und getestet werden. Dieses soll einen klassischen Kommunikationskanal realisieren, mit dem sowohl Zeitstempel von Photonendetektionsereignisse als auch Nutzdaten effizient und sicher übertragen werden können. Das zweite Szenario baut teilweise auf dem ersten auf und erweitert dieses.
Entwurf von FPGA-basierten, partiell dynamisch rekonfigurierbaren Systemen
Das Ziel des Projektes ist die zu übertragenen Sensordatenmenge durch eine effiziente und Sensor-nahe Daten(vor)verarbeitung zu reduzieren und vor unbefugten Zugriff zu schützen. Hierbei soll die Analyse der Sensordaten unter Verwendung von KI-basierten Algorithmen, z.B. neuronale Netze, erfolgen. Diese, vom Projektpartner IMMS gelieferten Algorithmen, müssen für den Einsatz in einem eingebetteten Sensorknoten angepasst, optimiert und energieeffizient als auch ressourcensparend implementiert werden. Zusätzlich kann durch Datenkompression vor der Übertragungsstrecke die Datenmenge weiter reduziert werden. Durch diese Maßnahmen wird eine Reduktion der Datenmenge über mehrere Größenordnungen hinweg erreicht. Eine integrierte Datenverschlüsselung soll die Privatheit der sensiblen Daten sicherstellen.
Dieses Forschungsprojekt konzentriert sich auf die Implementierung der KI-basierte, digitale Datenverarbeitung für intelligente Sensorknoten. Hierbei sollen Lösungen erforscht werden, welche sowohl energieeffizient als auch skalierbar sind. Im Fokus steht der Einsatz auf Ressourcen-beschränkten, evtl. batteriebetriebenen Systemen. Darüber hinaus sollen die Kombination von Daten aus unterschiedlichen Sensoren unterstützt werden. Aus Effizienzgründen werden FPGA-basierte Implementierungen favorisiert.
Ecological Motor Control and Predictive Maintenance with AI
Das ECOMAI-Projekt bietet eine Grundlage für Europa, um eine führende Rolle in der KI-unterstützten elektrischen Motorantriebstechnologie - von der Hardware bis zu den Anwendungen - durch Lösungen zu etablieren, die den grünen und digitalen Wandel unterstützen.
Elektromotoren sind überall zu finden, von Laptop-Lüftern und Geschirrspülern bis hin zu Industriemaschinen, Robotern, öffentlichen Verkehrsmitteln und vielem mehr. Allein ein modernes Auto kann etwa 40 Motoren für verschiedene Funktionen enthalten. Aber diese wichtigen Anwendungen haben ihren Preis. Es wurde berechnet, dass Elektromotoren für 40 % des weltweiten Stromverbrauchs und 20 % der CO2-Emissionen verantwortlich sind.
Im Rahmen dieses Projekts werden sowohl kosteneffiziente KI-Funktionen bereitgestellt, als auch fortschrittliche Beschleuniger- und Näherungsberechnungsprinzipien erforscht. Darüber hinaus wird ECOMAI ein innovatives modellbasiertes Design- und Automatisierungs-Framework bereitstellen: ein vollständiges Entwicklungs-Toolkit, das modellbasiertes Design und einen KI-Compiler für die spezielle Hardware-Plattform mit einer vollständigen Systemmodellierungs- und Simulationsumgebung kombiniert. Damit werden die Technologien von ECOMAI insbesondere für KMU leicht zugänglich.