ph.d. projekter ved SDU Mikroelektronik
For mere information
Igangværende projekter
Alexander Borch Kristensen
Projekt: NeuroEar - In-Ear Multi-Modal Monitoring of Brain Disorders
Vejleder: Lektor Milad Zamani
Elektroencefalografi (EEG) er med sin skalerbarhed, høje tidsmæssige opløsning og bærbarhed en af de mest anvendte metoder til registrering af øjeblikkelig fysiologisk aktivitet i hjernen. Transkraniel bioimpedans (BioZ) kan som metode give en fysisk karakterisering af det underliggende væv og dermed afspejle information om øjeblikkelige cerebrale komponenter. NeuroEar-projektet har til formål at kombinere de to metoder i én diskret in-ear-enhed med lavt strømforbrug. Dette vil muliggøre langsigtet kombineret fysiologisk og fysisk karakterisering til forskning i forskellige hjernesygdomme.
Ming Zhang
Projekt: Energy-Efficient and Low-Latency SSM-Transformer Accelerator for LLMs
Vejleder: Professor Farshad Moradi
Selvom transformerbaserede store sprogmodeller (LLM'er) opnår imponerende resultater, medfører deres kvadratiske beregningskompleksitet betydelige forsinkelser og et højt energiforbrug, hvilket vanskeliggør anvendelse på edge-enheder. State Space Models (SSM'er) og hybride SSM-Transformer-arkitekturer tilbyder lineær tidskompleksitet og reduceret hukommelsesforbrug, men konventionelle hardwareacceleratorer understøtter ikke effektivt SSM-specifikke eksekveringsmønstre såsom selektiv scanning og rekursive opdateringer. Dette resulterer i betydelige ineffektiviteter i dataflow og planlægning. For at imødegå denne udfordring foreslår projektet en algoritme-hardware-co-designet accelerator, der er målrettet hybride SSM-Transformer-LLM'er. Acceleratoren anvender et samlet dataflow, rekonfigurerbare beregningsenheder og et hierarkisk hukommelsessystem for at muliggøre ultralav latenstid og energieffektiv implementering af LLM'er på ressourcebegrænsede platforme.
Yaogang Wang
Projekt: Low-Power Architectures for Multi-Channel Intelligent Neural Interfaces
Vejleder: Professor Farshad Moradi
Projektets hovedformål er at udvikle en energieffektiv neural grænseflade med mange kanaler til registrering af data fra forskellige kanaler. Systemet skal være konfigurerbart til forskellige anvendelser og samtidig kunne tilpasse sig hurtigt og effektivt til forskellige scenarier på en fleksibel og dynamisk måde. Målet er at minimere systemets energiforbrug, samtidig med at andre relevante ydeevneparametre optimeres. Projektet fokuserer dermed på udviklingen af intelligente og energieffektive arkitekturer til multi-channel neurale interfaces.