Matthias Lüders, M. Sc.
Matthias Lüders, M. Sc.
Telefon
Adresse
Schneiderberg 32
30167 Hannover
30167 Hannover
Gebäude
Raum
Matthias Lüders, M. Sc.
-
Publikationsliste
Zeige Ergebnisse 1 - 8 von 8
2024
Energieeffiziente KI-Algorithmen und HW für das automatisierte Fahren. / Lüders, Matthias.
in: Automobil Elektronik, 04.2024, S. 44-47.Publikation: Beitrag in nicht-wissenschaftlicher/populärwissenschaftlicher Zeitschrift/Zeitung › Beitrag in populärwissenschaftlicher Zeitung/Zeitschrift › Kommunikation
Moderne Automobilelektronik : KI-Hardware für die Sensorsignalverarbeitung. / Riggers, Christoph; Lüders, Matthias; Weddige, Sousa et al.
in: Uni-Magazin, Hannover, Jahrgang 2024, Nr. 01|02, 2024.Publikation: Beitrag in Fachzeitschrift › Artikel › Transfer
2023
The ZuSE-KI-Mobil AI Accelerator SoC: Overview and a Functional Safety Perspective. / Kempf, Fabian; Hoefer, Julian; Harbaum, Tanja et al.
2023 Design, Automation and Test in Europe Conference and Exhibition, DATE 2023 - Proceedings. Institute of Electrical and Electronics Engineers Inc., 2023. (Proceedings -Design, Automation and Test in Europe, DATE; Band 2023-April).Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review
ZuSE-KI-mobil: Platform for Energy Efficient AI-Processors in Mobile Applications. / Vögel, Hans Jörg; Becker, Jürgen; Benndorf, Jens et al.
MikroSystemTechnik Kongress 2023 - Mikroelektronik, Mikrosystemtechnik und ihre Anwendungen - Nachhaltigkeit und Technologiesouveranitat, Proceedings. VDE Verlag GmbH, 2023. S. 889-894.Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review
2020
Multicore performance prediction with MPET: Using scalability characteristics for statistical cross-architecture prediction. / Arndt, Oliver Jakob; Lüders, Matthias; Riggers, Christoph et al.
in: Journal of Signal Processing Systems, Jahrgang 92, Nr. 9, 09.2020, S. 981-998.Publikation: Beitrag in Fachzeitschrift › Artikel › Forschung › Peer-Review
Multicore Performance Prediction – Comparing Three Recent Approaches in a Case Study. / Lüders, Matthias; Arndt, Oliver Jakob; Blume, Holger.
Euro-Par 2019: Parallel Processing Workshops : Euro-Par 2019 International Workshops, Göttingen, Germany, August 26–30, 2019, Revised Selected Papers. Hrsg. / Ulrich Schwardmann; Christian Boehme; Dora B. Heras; Valeria Cardellini; Emmanuel Jeannot; Antonio Salis; Claudio Schifanella; Ravi Reddy Manumachu; Dieter Schwamborn; Laura Ricci; Oh Sangyoon; Thomas Gruber; Laura Antonelli; Stephen L. Scott. Springer Nature, 2020. S. 282-294 (Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics); Band 11997 LNCS).Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review
2019
Statistical Performance Prediction for Multicore Applications Based on Scalability Characteristics. / Arndt, Oliver Jakob; Luders, Matthias; Blume, Holger.
2019 IEEE 30th International Conference on Application-Specific Systems, Architectures and Processors (ASAP): Proceedings. IEEE Computer Society, 2019. S. 255-262 (Proceedings of the International Conference on Application-Specific Systems, Architectures and Processors).Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review
Multicore Performance Prediction: Comparing Three Recent Approaches in a Case Study. / Lüders, Henrik Matthias; Arndt, Oliver Jakob; Blume, Holger Christoph.
2019. Beitrag in International Workshop on Algorithms, Models and Tools for Parallel Computing on Heterogeneous Platforms, Göttingen, Deutschland.Publikation: Konferenzbeitrag › Paper › Forschung
-
Forschungsprojekte
Prozessorarchitekturen
-
ZuSE-KI-mobilFür Zukunftsaufgaben wie das autonome Fahren oder Industrie 4.0 müssen immer größere Mengen an Daten von einer steigenden Anzahl von Sensoren mit Hilfe komplexer Algorithmen und künstlicher Intelligenz (KI) in kürzester Zeit analysiert werden. Die entsprechenden Prozessoren müssen aber nicht nur bei der Rechenleistung, sondern auch hinsichtlich Energieeffizienz, Zuverlässigkeit, Robustheit und Sicherheit hohe Anforderungen erfüllen, die über aktuelle Möglichkeiten weit hinausgehen. Die ZuSE-Projekte des BMBF sollen den dringenden Bedarf der Anwenderbranchen an zukunftsfähigen, vertrauenswürdigen Prozessoren decken, die auf ihre spezifischen Aufgaben zugeschnitten und hoch performant sind.Leitung: Prof. Dr.-Ing. Holger BlumeTeam:Jahr: 2020Förderung: BMBFLaufzeit: Mai 2020 - Dezember 2025
![]()
![]()
-
EcoMobilityIn dem europäischen Projekt "EcoMobility" wird das IMS zusammen mit 46 Partnern aus ganz Europa autonomes Fahren nachhaltiger, intelligenter und sicherer gestalten. Der Fokus des IMS liegt dabei insbesondere auf der intelligenten Planung von Tasks auf heterogenen Prozessorsystemen.Leitung: Prof. Dr.-Ing. Holger Blume, M.Sc. Matthias LüdersTeam:Jahr: 2023Förderung: KDT JULaufzeit: 2023-2025
![Offizielles Logo von "EcoMobility"]()
![Offizielles Logo von "EcoMobility"]()
Entwurfsraumexploration
-
KISSKI - KI-Servicezentrum für sensible und kritische InfrastrukturenDer zentrale Ansatz in KISSKI ist die Forschung an KI-Methoden und deren Bereitstellung mit dem Ziel ein hochverfügbares KI-Servicezentrum für kritische und sensible Infrastrukturen mit dem Fokus auf die Felder Medizin und Energie zu ermöglichen. Das Fachgebiet Architekturen und Systeme ist hierbei mit einer Entwurfsraumexploration für heterogene Hardwarearchitekturen, insbesondere FPGA-Plattformen, beteiligt.Leitung: Prof. Dr.-Ing. Holger BlumeTeam:Jahr: 2022Laufzeit: 2022-2027
![]()
![]()
Fahrerassistenzsysteme
-
GreenMLThe project "GreenML" aims to exemplify a holistic AI design process by the highly efficient and resource-optimized implementation of essential FAS functions like object detection, object classification, and scene contextualization on particular hardware. Deep Learning (DL) has become a central approach for modern AI applications. Even though energy-efficient DL has become a target in research, currently isolated solutions are often created that do not unleash the full potential for resource-efficient AI. In this project, we will focus on a holistic approach: from hardware to efficient coding and transfer of data and models to dynamic and resource-adaptive software to enable multi-criteria optimization of all facets of an AI-enabled system. As an example, we demonstrate the potential of this approach using the scenario of a modern driver assistance system (FAS). With about 67 million registered vehicles and increased e-mobility, saving required energy by combining efficient algorithms, communication, and hardware is urgently needed. Our "Green Assisted Driving" project addresses different energy consumption, safety, and flexibility metrics. The consortium combines low-power hardware, learning of efficient representations from large data sets, hyperparameter optimization, and network design using AutoML, as well as methods of transfer learning, semi-supervised learning, and network pruning to prototype highly efficient and dynamically controllable models on a FAS. and demonstrate the savings potential of a holistic approach.Leitung: Prof. Dr.-Ing. habil H. BlumeTeam:Jahr: 2023Laufzeit: 2023-2026
![]()
![]()
-
EcoMobilityIn dem europäischen Projekt "EcoMobility" wird das IMS zusammen mit 46 Partnern aus ganz Europa autonomes Fahren nachhaltiger, intelligenter und sicherer gestalten. Der Fokus des IMS liegt dabei insbesondere auf der intelligenten Planung von Tasks auf heterogenen Prozessorsystemen.Leitung: Prof. Dr.-Ing. Holger Blume, M.Sc. Matthias LüdersTeam:Jahr: 2023Förderung: KDT JULaufzeit: 2023-2025
![Offizielles Logo von "EcoMobility"]()
![Offizielles Logo von "EcoMobility"]()
Systementwurf
-
ZuSE-KI-mobilFür Zukunftsaufgaben wie das autonome Fahren oder Industrie 4.0 müssen immer größere Mengen an Daten von einer steigenden Anzahl von Sensoren mit Hilfe komplexer Algorithmen und künstlicher Intelligenz (KI) in kürzester Zeit analysiert werden. Die entsprechenden Prozessoren müssen aber nicht nur bei der Rechenleistung, sondern auch hinsichtlich Energieeffizienz, Zuverlässigkeit, Robustheit und Sicherheit hohe Anforderungen erfüllen, die über aktuelle Möglichkeiten weit hinausgehen. Die ZuSE-Projekte des BMBF sollen den dringenden Bedarf der Anwenderbranchen an zukunftsfähigen, vertrauenswürdigen Prozessoren decken, die auf ihre spezifischen Aufgaben zugeschnitten und hoch performant sind.Leitung: Prof. Dr.-Ing. Holger BlumeTeam:Jahr: 2020Förderung: BMBFLaufzeit: Mai 2020 - Dezember 2025
![]()
![]()
-
