Diese Masterarbeit konzentriert sich auf die Optimierung der Inferenzphase von Graphenverarbeitungsmodellen und geht dabei auf die besonderen Herausforderungen ein, die durch graphenstrukturierte Daten entstehen. Die Forschung zielt darauf ab, die Modellleistung für eine verbesserte Benutzererfahrung zu verbessern und gleichzeitig hardwarespezifische Optimierungen zu erforschen, um eine maximale Effizienz bei graphbasierten Berechnungen zu erreichen.
- Leistungsverbesserung: Entwicklung von Techniken zur Verringerung der Inferenzlatenz und zur Verbesserung des Durchsatzes bei Graphenverarbeitungsmodellen ohne Beeinträchtigung der Genauigkeit oder der Fähigkeiten zur Graphenanalyse.
- Optimierung von Graphenalgorithmen: Untersuchung und Implementierung spezieller Methoden zur Optimierung von Graphenalgorithmen, einschließlich graph traversal, message passing und neighborhood sampling,
- Hardware-Beschleunigung: Erforschung hardwarespezifischer Optimierungen für verschiedene Plattformen (GPUs, TPUs, CPUs, Edge Devices) mit Schwerpunkt auf unregelmäßigen Speicherzugriffsmustern, spärlichen Berechnungen und parallelen Ausführungsstrategien speziell für die Graphenverarbeitung.
- Metriken zur Benutzerfreundlichkeit: Definition und Messung von Metriken für die Benutzererfahrung in Bezug auf die Geschwindigkeit der Graphenmodellinferenz und Erstellung von Benchmarks für reale graphenbasierte Anwendungen.
- Kenntnisse der mathematischen Grundlagen des maschinellen Lernens.
- Beherrschung von mindestens einem Graphenverarbeitungssystem (PyG, DGL, GraphScope).
- Erfahrung mit neuronalen Netzwerkarchitekturen.
- Grundlegende CUDA- oder Triton-Programmierkenntnisse sind von Vorteil.
- Gutes Englisch -> Die Arbeit sollte auf Englisch geschrieben werden.
- Verständnis von Speicherhierarchien und Bandbreiten in Linuxsystemen.
- Programmierkenntnisse in Python, C++ oder Zig.
Sebastian Baum
♦
Diese Masterarbeit untersucht die Integration von physikalischen Gesetzen und Beschränkungen in graphenbasierte geometrische Rekonstruktionsprozesse. Die Forschung konzentriert sich auf die Entwicklung von Optimierungsrahmen, die nicht nur geometrische Strukturen rekonstruieren, die als Graphen dargestellt werden, sondern auch sicherstellen, dass die resultierenden Strukturen grundlegende physikalische Prinzipien einhalten. Ziel ist es, eine stabilere und zuverlässigere Optimierung zu erreichen. Durch die Einbeziehung von physikalischen Einschränkungen wie strukturelle Stabilität und physikalische Machbarkeit führt der Rekonstruktionsprozess zu Ergebnissen, die sowohl geometrisch genau als auch physikalisch plausibel sind.
Du entwickelst einen mathematischen Rahmen für die physikbeschränkte Graphenoptimierung, der relevante physikalische Eigenschaften in den Rekonstruktionsprozess einbezieht. Der Rahmen wird anhand einer FEM-Fallstudie evaluiert.
- Kenntnisse der mathematischen Grundlagen des maschinellen Lernens.
- Beherrschung von mindestens einem Graphenverarbeitungssystem (PyG, DGL, GraphScope).
- Erfahrung mit neuronalen Netzwerkarchitekturen.
- Gutes Englisch -> Die Arbeit sollte auf Englisch geschrieben werden.
- Programmierkenntnisse in Python, C++ oder Zig.
Sebastian Baum
♦
In dieser Masterarbeit werden Methoden zur Zerlegung geometrischer Strukturen, die als Graphen dargestellt werden, in unabhängige topologische Einheiten untersucht. Durch die Identifizierung natürlicher Grenzen innerhalb geometrischer Graphenstrukturen können diese Einheiten separat bearbeitet werden, wobei die topologische Gesamtintegrität erhalten bleibt.
Du entwickelts Algorithmen zur Identifizierung und Extraktion topologisch kohärenter Subunits aus geometrischen Graphen. Diese Algorithmen müssen wichtige strukturelle Informationen bewahren und gleichzeitig eine unabhängige Verarbeitung der einzelnen Einheiten ermöglichen. Ein großes Problem könnte das Zusammenfügen dieser unabhängigen Einheiten sein. Der Student wird Rekonstruktionsmethoden implementieren und bewerten, die sich von diesen topologischen Einheiten auf komplexere Strukturen verallgemeinern lassen. Die Arbeit wird eine theoretische Analyse der mathematischen Grundlagen des Ansatzes sowie praktische Demonstrationen in Anwendungsbereichen wie der 3D-Simulationsverarbeitung umfassen
- Kenntnisse der mathematischen Grundlagen des maschinellen Lernens.
- Beherrschung von mindestens einem Graphenverarbeitungssystem (PyG, DGL, GraphScope).
- Erfahrung mit neuronalen Netzwerkarchitekturen.
- Gutes Englisch -> Die Arbeit sollte auf Englisch geschrieben werden.
- Programmierkenntnisse in Python, C++ oder Zig.
Sebastian Baum
♦
Testing of AI-based systems such as autonomous vehicles is challenging due to many situations and scenarios. Brute force is expensive and has gaps, as we see in practice. We thus use synthetic data for an AI-driven testing. This data covers real-world scenarios to train autonomous systems in a simulation-based environment. The training success is evaluated in a data loop and enhanced to close blind spots and unknown knowns. This thesis targets to integrate a requirements and test engine to an automated test system.
The goal of the thesis is to integrate existing parts of the system. A fully running system shall be implemented. The integration comprises verification and validation checks for the existing parts. Professional tools such as DOORS shall be used for industry-scale AI-based testing of autonomous systems.
Knowledge in Python
Industry-scale software engineering and tools
Work in a self-independent way
Passionate about clean and good quality code
Capable of integrating your work with other parts of the system
Christof Ebert
♦
Die Anforderungen an Elektronik in Bezug auf die Verlängerung der Wartungs-intervalle und die Lebensdauer steigen. Für die Erfüllung dieser Anforderungen ist eine sehr gute Kenntnis aller beeinflussenden Faktoren notwendig. Die Zusammenhänge sind dabei für den Menschen nur schwer zu entdecken und herzustellen, weshalb Machine Learning eingesetzt werden soll.
Literaturrecherche über die bisherige Verwendung von Hybriden Modellen zur Lebensdauervorhersage in der Literatur
Konzeption einer beispielhaften Anwendung
Prototypische Umsetzung
Vorlesung TMS2 und ZSA
Selbstständiges Arbeiten
Gute Deutschkenntnisse
Gute Englischkenntnisse
Maurice Artelt
♦