Login
- Originaltitel:
- Code Optimization and Generation of Machine Learning and Driver Software for Memory-Constrained Edge Devices
- Übersetzter Titel:
- Code-Optimierung und Generierung von Software für Maschinelles Lernen und Gerätetreiber auf Edge-Geräten mit Begrenztem Speicher
- Autor:
- Stahl, Rafael Christopher
- Jahr:
- 2024
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Institution:
- Entwurfsautomatisierung (Prof. Schlichtmann)
- Betreuer:
- Mueller-Gritschneder, Daniel (Priv.-Doz. Dr.)
- Gutachter:
- Mueller-Gritschneder, Daniel (Priv.-Doz. Dr.); Gerstlauer, Andreas (Prof., Ph.D.)
- Sprache:
- en
- Fachgebiet:
- ELT Elektrotechnik
- Stichworte:
- Code Optimization; Code Generation; Machine Learning Inference; TinyML; Extreme Edge AI; Driver Software; IoT
- Übersetzte Stichworte:
- Codeoptimierung; Codegenerierung; Maschinelles Lernen; TinyML; Extreme Edge AI; Gerätetreiber; IoT
- TU-Systematik:
- ELT 272
- Kurzfassung:
- This thesis contributes methods for optimization and generation of software for compact electronic edge devices, cruicial across diverse applications. Emphasizing memory constraints as pivotal factors influencing cost and power consumption, the methods presented within this thesis enhance machine learning applications, both on individual devices and within distributed scenarios. Moreover, these methods also improve driver software with memory reductions and automation.
- Übersetzte Kurzfassung:
- Diese Dissertation trägt Methoden zur Optimierung und Generierung von Software für kompakte elektronische Geräte bei, die in vielfältigen Anwendungen entscheidend sind. Der Schwerpunkt liegt auf der Optimierung von Speicher, da dieser Hauptfaktor für Kosten und Energieverbrauch darstellt. Optimiert und generiert werden einerseits Anwendungen im Bereich des machinellen Lernens, sowohl auf einzenen Geräten als auch in verteilten Szenarien. Zusätzlich wird auch Treibersoftware behandelt.
- WWW:
- https://mediatum.ub.tum.de/?id=1730282
- Eingereicht am:
- 20.12.2023
- Mündliche Prüfung:
- 01.08.2024
- Dateigröße:
- 2127763 bytes
- Seiten:
- 109
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240801-1730282-1-7
- Letzte Änderung:
- 27.09.2024
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Computation, Information and TechnologyPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Engineering