Digitalisierung und Künstliche Intelligenz ermöglichen viele neue Anwendungen, indem Prozesse, Dienstleistungen und Anlagen zunehmend automatisierbar werden. Der Schlüssel hierfür ist das „Internet of Things“ (IoT) mit einer rasant wachsenden Datenmenge, die durch eine steigende Zahl angebundener Geräte und Sensoren bereitgestellt wird. Diese Hardware soll zum einen immer ressourcen- und energieeffizienter arbeiten und zum anderen vor allem bei sicherheitskritischen Anwendungen schnell reagieren und dabei von der Datenerfassung bis zur Analyse vertrauenswürdig sein. Das soll erreicht werden, indem der Datenverkehr an sich begrenzt wird und Daten mehr und mehr nahe am Ort der Entstehung per Edge Computing und somit weniger in der Cloud verarbeitet werden. Hierfür forscht das IMMS im Projekt HoLoDEC zum einen an Ultra-Low-Power-Architekturen (ULP) und deren effizientem und automatisiertem Entwurf und zum anderen an Edge-KI-Systemen, die eine energieoptimierte Leistungsverteilung zwischen Sensor und Edge-Computing ermöglichen werden. Die Ansätze aus beiden Schwerpunkten werden in zwei Demonstratoren validiert, einem zum Condition Monitoring und einem RFID-Sensor-Transponder-IC mit ULP-Sensor-Frontend.

Für Designhäuser und Chipentwickler wird es zunehmend schwieriger, optimale bzw. energieoptimierte integrierte Schaltungen und Systeme zu entwickeln, da diese immer komplexer und die Personalressourcen immer knapper werden. Das IMMS forscht daher in enger Kooperation mit der Hochschule Reutlingen und dem Fraunhofer IIS/EAS daran, über generatorbasierte, also programmierte Abläufe, die Entwicklung von analogen oder gemischt analog/digitalen Schaltungsblöcken zu beschleunigen.

Im Zuge dessen sollen auch Modelle automatisch generiert werden, um z.B. nichtfunktionale Eigenschaften wie den Energiebedarf frühzeitig im Systementwurf betrachten zu können. Beides ist notwendig, da mit den derzeit üblichen Methoden der Energiebedarf eines Systems erst gegen Ende des Entwurfsprozesses bekannt wird und sich daher im Architekturentwurf kaum berücksichtigen lässt. Auf System­ebene ist der Hebel für Optimierungen am größten. Nutzen kann man ihn jedoch in den seltensten Fällen, da weitreichende Änderungen in der Mikroarchitektur bzw. Topologie z.T. in mehreren Iterationen notwendig wären und diese wie der gesamte Entwurf analoger Komponenten nach wie vor von Hand gemacht werden müssten.

Das IMMS forscht daran, mit automatisierten Designs und Modellen die Entwurfszeiten und ‑unsicherheiten zu verringern. Ziel ist es, den Entwurf so zu beschleunigen, dass dieser mehrfach durchlaufen werden kann, um den Energiebedarf eines Systems frühzeitig optimieren zu können.

Das IMMS wird mit diesem neuen Vorgehen zum automatisierten Entwurf besonders energiesparende Schaltungskonzepte untersuchen und entwerfen sowie mit einem Demonstrator für ein RFID-Sensor-Transponder-IC mit ULP-Sensor-Frontend validieren und mit Ergebnissen manueller Entwürfe desselben Chips vergleichen. Mit dem Demonstrator wird eine Lösung adressiert, mit der mit sehr geringem Energie­budget möglichst passive, also batterielos betreibbare, integrierte Sensorsysteme realisierbar sind, die sich in kostengünstigen Halbleitertechnologien fertigen lassen.

Um KI-Algorithmen auf ressourcenbeschränkten Geräten für IoT-Anwendungen optimal nutzen zu können, forscht das IMMS in HoLoDEC an energieeffizienten Edge-KI-Systemen mit energieoptimierter Leistungsverteilung zwischen möglichst viel sensornaher Datenverarbeitung und möglichst geringer Auslagerung von Aufgaben in das Netzwerk.

Das IMMS arbeitet hierfür federführend an der systemübergreifenden Optimierung des Energieverbrauchs von verteilten Sensorsystemen mit. Schwerpunkte sind Hard- und Software-Entwurf, die energetische Modellierung eingebetteter Systeme, Konzepte und Verfahren für das Energiemanagement von Sensor und Gesamtsystem, die Untersuchung und Implementierung von Algorithmen zur Anomalie-Detektion auf Ultra-Low-Power-Komponenten sowie von Algorithmen zur automatischen Daten­extraktion und -reduktion hinsichtlich ihres Informationsgehalts und Einflusses des Energieverbrauchs im Sensor. Die Algorithmen werden komprimierte Sensordaten liefern, die dann an die Edge-KI-Plattform übertragen werden. Um Daten unterschiedlicher Sensoren miteinander zu kombinieren, werden Algorithmen für die Fusio­nierung dieser Daten untersucht und implementiert. Weiterhin erarbeitet das IMMS Energieverbrauchsmodelle der einzelnen Sensorsysteme und des Gesamtsystems.

Um KI-Algorithmen möglichst sensornah und ohne aufwändigen Datentransport zu einer Cloud zu nutzen, forscht das IMMS an Optimierungen von Edge-KI-System­architekturen auf Basis definierter Anforderungen. Hintergrund ist, dass Modelle und Algorithmen nicht mehr nur auf leistungsfähigen Servern mit viel Speicherplatz laufen, sondern auf Mikrocontrollern eingesetzt werden sollen, für die diese aber weder entwickelt wurden noch 1:1 übertragbar sind und dementsprechend angepasst werden müssen. Die aktuelle Forschung beschränkt sich allerdings oft auf die Entwicklung eines leistungsfähigen Modells auf einem Server. Ziel ist es, auf ersten Untersuchungen zur Optimierung für Mikrocontroller und für energetisches Einsparpotenzial aufzubauen und KI-Algorithmen für ressourcenbeschränkte Geräte zu erschließen. Die genannten Ansätze werden in einem Demonstrator zum Condition Monitoring überprüft.