Code Optimization and Generation of Machine Learning and Driver Software for Memory-Constrained Edge Devices

Stahl, Rafael Christopher

User: Guest

Elektrotechnik

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Code Optimization and Generation of Machine Learning and Driver Software for Memory-Constrained Edge Devices
Translated title:: Code-Optimierung und Generierung von Software für Maschinelles Lernen und Gerätetreiber auf Edge-Geräten mit Begrenztem Speicher
Author:: Stahl, Rafael Christopher
Year:: 2024
Document type:: Dissertation
Faculty/School:: TUM School of Computation, Information and Technology
Institution:: Entwurfsautomatisierung (Prof. Schlichtmann)
Advisor:: Mueller-Gritschneder, Daniel (Priv.-Doz. Dr.)
Referee:: Mueller-Gritschneder, Daniel (Priv.-Doz. Dr.); Gerstlauer, Andreas (Prof., Ph.D.)
Language:: en
Subject group:: ELT Elektrotechnik
Keywords:: Code Optimization; Code Generation; Machine Learning Inference; TinyML; Extreme Edge AI; Driver Software; IoT
Translated keywords:: Codeoptimierung; Codegenerierung; Maschinelles Lernen; TinyML; Extreme Edge AI; Gerätetreiber; IoT
TUM classification:: ELT 272
Abstract:: 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.
Translated abstract:: 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
Date of submission:: 20.12.2023
Oral examination:: 01.08.2024
File size:: 2127763 bytes
Pages:: 109
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240801-1730282-1-7
Last change:: 27.09.2024
BibTeX