ThinKIsense

Im Rahmen des Vorhabens ThinKIsense soll mithilfe einer „Predictive Maintenance“-Anwendung die Verarbeitung von Daten von der Cloud direkt in den Sensor verlagert werden. Durch eine gezielte Datenvorverarbeitung im Sensor wird die Kommunikationshäufigkeit gesenkt, was die Energieeffizienz und damit die Lebensdauer der Batterien im Sensor steigert. Für die Vorverarbeitung werden neuronale Netze eingesetzt. Mittels zweier Techniken soll dabei eine Beschleunigung erprobt werden: einmal durch Spezialinstruktionen für künstliche neuronale Netze auf einem angepassten RISC-V-System und einmal durch den Einsatz von Spiking Neural Networks und einem darauf abgestimmten neuromorphen Beschleuniger.

Das FZI erforscht im Projekt ThinKIsense energiesparende neuromorphe Beschleuniger für Spiking Neural Networks, welche etwa mit einem Arm- oder RISC-V-Prozessor gekoppelt werden können, um „Predictive Maintenance“-Aufgaben direkt im Sensor zu lösen. Neben der Hardware-Architektur werden in einem Co-Design-Prozess auch die Spiking Neural Networks selbst durch das FZI entworfen und trainiert.