progressivKI - Unterstützung der Entwicklung von effizienten und sicheren Elektroniksystemen für zukünftige KFZ-Anwendungen mit automatisierten Fahrfunktionen mittels einer modular strukturierten KI-Plattform; Teilvorhaben: Erstellung von KI-Modulen auf der Basis des Python-basierten Frameworks Keras/Tensorflow

Abstract

Die Bearbeitung des Vorhabens progressivKI erfolgte in dem BMWK-Förderaufruf |Künstliche Intelligenz als Schlüsseltechnologie für das Fahrzeug der Zukunft| den Teilschwerpunkt (C) KI-Verfahren in der Fahrzeugentwicklung <=> KI-Methoden in der Simulation. Die Technische Universität Dortmund (AG Datentechnik/Bordsysteme) hat in diesem Teilvorhaben die Entwicklung von KI-Modellen zur Unterstützung des effizienten Entwurfs von HighSpeed-Anwendungen auf Leiterplatten für die physikalischen Effekte Signal Integrity/Power Integrity untersucht. Mittels KI-gestütztem Feedback und integriertem domänenspezifischen Wissen sollen die Entwickler dieser komplexen elektronischen Systeme unterstützt und so der gesamte Entwurfsprozess effizienter gestaltet werden. Dazu hat die Technische Universität Dortmund (AG Datentechnik/Bordsysteme) in progressivKI die folgenden Themenstellungen in ihrem Teilvorhaben |Erstellung von KI-Modulen auf der Basis des Python-basierten Frameworks Keras/Tensorflow| bearbeitet: Definition der Anforderungen an die benötigten KI-Module + Analyse von KI-Frameworks für Maschine Learning + genetische Algorithmen; Konzeptentwicklung zur KI-Umsetzung für die geplante Anwendungsebene PCB-Entwurf; Implementierung von Algorithmen zur Datengenerierung + Auswertung von Simulationsdaten zur Entwicklung von KI-Modellen für die physikalischen Effekte Signal Integrity/Power Integrity; Anpassung KI-Module und Generierung von Trainings- und Lerndaten-Modulen; Initialisierung eines Python-basierten KI-Frameworks (Keras/Tensorflow) + Entwicklung eines Matlab-basierten KI-Frameworks; Optimierung von Teilalgorithmen; Nutzenbewertung + Algorithmen zur Extraktion von Anwenderwissen. Die Forschungsergebnisse aus diesem Teilvorhaben haben direkten Einfluss auf die Ausbildung von Nachwuchskräften. Diese Ergebnisse werden für Ausbau der Forschung zum Thema KI am Arbeitsgebiet Datentechnik genutzt. Im Rahmen der Vorlesung |Signal Integrity (SI) Effekte beim Einsatz nano-/mikroelektronischer Komponenten auf Leiterplatten| werden Studenten an die Nutzung und Entwicklung von KI-Modellen für das Themengebiet Signal Integrity/Power Integrity herangeführt. Weiterhin wurden die erarbeiteten Forschungsergebnisse auf nationalen/internationalen wissenschaftlichen Konferenzen und öffentlichen Projekt-Workshops präsentiert und zur Diskussion gestellt (12 Tagungsbeiträge; 16 Vorträge; 4 Poster). Datei-Upload durch TIB The project progressivKI was processed in the BMWK call "Artificial Intelligence as a Key Technology for the Automobile of the Future" in the sub-focus (C) AI processes in vehicle development <=> AI methods in simulation. In this subproject, the Technical University of Dortmund (Information Processing Lab - IPL/On-board Systems Lab) has investigated the development of AI models to support the efficient design of high-speed applications on PCB with regard to signal integrity/power integrity. The aim is to support the developers of these complex electronic systems by means of AI-supported feedback and integrated domain knowledge, thus making the entire design process more efficient. To this end, the Technical University of Dortmund (Information Processing Lab - IPL/On-board Systems Lab) has worked on the following topics in its sub-project: Creation of AI modules based on the Python-based Keras/Tensorflow framework: definition of the requirements for the necessary AI modules + analysis of AI frameworks for machine learning + genetic algorithms; concept development for AI implementation for the planned application PCB design; implementation of algorithms for data generation + evaluation of simulation data for the development of AI models for the physical effects of signal integrity/power integrity; adaptation of AI modules and generation of training and learning data modules; initialization of a Python-based AI framework (Keras/Tensorflow) + development of a Matlab-based AI framework; optimization of sub-algorithms; benefit assessment + algorithms for extracting user knowledge. The research results from this sub-project have a direct influence on the training of young scientists. These results are used to expand research on the topic of AI at the Information Processing Lab/On-board Systems Lab. As part of the lecture "|Signal Integrity (SI) Effects regarding nano-/microelectronic components on printed circuit boards|", students are introduced to the use and development of AI models in the field of signal integrity/power integrity. Furthermore, the research results were presented and discussed at national and international scientific conferences and public project workshops (12 conference contributions; 16 oral presentations; 4 posters).