Machine-Learning-basierte Vorhersage kritischer Pfade im Entwurf digitaler Schaltungen

Während deines Studiums kannst du dich bei uns in laufende Forschungsprojekte einbringen. Geh mit uns an Grenzen des technisch Machbaren und sei dabei, wenn wir gemeinsam Neuland betreten. Wir bieten vielfältige herausfordernde und praxisorientierte Themen als Praktikum, Bachelor- bzw. Master-Arbeit oder als Hiwi-Tätigkeit an. Du analysierst wichtige wissenschaftliche Vorlauffragestellungen und stehst den Projektteams mit unterstützenden Entwicklungstätigkeiten zur Seite.

Arbeitsort: Erfurt

Team:
Mikroelektronik

Karrierestufe:
Pflichtpraktikum, Abschlussarbeit oder studentische Assistenz

Forschungsfeld: Integrierte Sensorsysteme

Umfang:
nach Vereinbarung

Beginn:
ab sofort

Bewerbungsfrist: 30.06.2024

Kennziffer:
IMMS_STUD_ME_0523

Der Entwurf digitaler Schaltungen und Systeme funktioniert ähnlich dem Entwurf von Software: Die Funktion einer digitalen Schaltung wird in Form von Code in einer Hardwarebeschreibungssprache formuliert. Diese Beschreibung wird dann mit speziellen Tools schrittweise in bool’sche Logik und am Ende in ein Layout oder ein FPGA-Bitstream übersetzt.

Die max. Taktfrequenz, der Flächenbedarf und der Stromverbrauch kann aber bisher nur nach der Synthese zuverlässig geschätzt werden. Das führt insbesondere bei sehr hoch getakteten Systemen dazu, dass Anpassungen des Codes notwendig werden, wenn die maximale Taktfrequenz nicht erreicht werden kann, d.h. die Durchlaufzeiten der Logik-Gatter zu lang werden. Die hier auftretenden kritischen Pfade müssen dabei im Code gefunden und (zeitlich) entspannt werden. Mit Synthesezeiten im Bereich von Stunden bis Tagen kann dieser Prozess viel Aufwand verursachen.

Ziel dieser Arbeit ist es, die kritischen Pfade sehr früh im Entwurfsprozess zu schätzen. Dazu soll die Schaltung mittels des freien Synthesetools Yosys in einen Graphen übersetzt werden. Mit einem Machine-Learning Algorithmus sollen die enthaltenen Pfade so geordnet werden, dass die möglichen kritischen Pfade erkannt werden. Für die Erzeugung der Trainingsdaten kann das kommerziell erhältliche Cadence Genus-Synthesetool verwendet werden. Am Ende soll ein Werkzeug entstehen, welches automatisiert Verilog-Code auswerten kann.

DAS IST ZU TUN:

Konzeption des Machine-Learning Algorithmus
Erzeugung von Trainings-Daten mittels des bestehenden Flows aus OpenSource-Designs
Umsetzung, Training und Evaluation des Machine-Learning Systems
Dokumentation

DAS BRINGST DU MIT:

Erfahrungen im FPGA-Entwurf von Vorteil
Programmierung in Python
Erfahrung mit Machine-Learning-Methoden (CNN, Tensorflow,…)

UND DAS SIND WIR:

Wir am IMMS stärken Unternehmen mit anwendungsorientierter Forschung und Entwicklung in der Mikroelektronik, Systemtechnik und Mechatronik und transferieren Ergebnisse der Grundlagenforschung in Anwendungen. Wir unterstützen Unternehmen, international erfolgreiche Innovationen für Gesundheit, Umwelt und Industrie auf den Weg zu bringen und begleiten sie von der Machbarkeitsstudie bis zur Serienreife.

WIR SIND GESPANNT AUF DICH!

Wir freuen uns, wenn du mit uns arbeiten willst.

DAS HABEN WIR ZU BIETEN:

einen attraktiven Arbeitsplatz in einem modernen sehr gut ausgestatteten und industrienah agierenden Forschungsinstitut
Arbeit direkt an der Schnittstelle zwischen Universität und Industrie
Mitarbeit in einem flexiblen und kreativen Team und an innovativen herausfordernden Themen

Für die ausgeschriebenen Aufgaben und mit den vorhandenen Arbeitsbedingungen ist eine Bewerbung unabhängig vom Geschlecht und / oder von eventuellen körperlichen Behinderungen möglich. Wir fördern die berufliche Gleichstellung von Frauen und Männern. Wir fordern vor allem Frauen auf, sich zu bewerben. Da Frauen am IMMS unterrepräsentiert sind, werden sie bei gleicher Eignung, Befähigung und fachlicher Leistung vorrangig berücksichtigt.