Matthias Lüders, M. Sc.
Matthias Lüders, M. Sc.
Phone
Address
Schneiderberg 32
30167 Hannover
30167 Hannover
Building
Room
Matthias Lüders, M. Sc.
-
Publikationsliste
Showing results 1 - 8 out of 8
2024
Energieeffiziente KI-Algorithmen und HW für das automatisierte Fahren. / Lüders, Matthias.
In: Automobil Elektronik, 04.2024, p. 44-47.Research output: Contribution to specialist publication › Contribution in popular science journal › Communication
Moderne Automobilelektronik : KI-Hardware für die Sensorsignalverarbeitung. / Riggers, Christoph; Lüders, Matthias; Weddige, Sousa et al.
In: Uni-Magazin, Hannover, Vol. 2024, No. 01|02, 2024.Research output: Contribution to journal › Article › 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; Vol. 2023-April).Research output: Chapter in book/report/conference proceeding › Conference contribution › Research › 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. p. 889-894.Research output: Chapter in book/report/conference proceeding › Conference contribution › Research › 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, Vol. 92, No. 9, 09.2020, p. 981-998.Research output: Contribution to journal › Article › Research › 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. ed. / 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. p. 282-294 (Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics); Vol. 11997 LNCS).Research output: Chapter in book/report/conference proceeding › Conference contribution › Research › 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. p. 255-262 (Proceedings of the International Conference on Application-Specific Systems, Architectures and Processors).Research output: Chapter in book/report/conference proceeding › Conference contribution › Research › peer review
Multicore Performance Prediction: Comparing Three Recent Approaches in a Case Study. / Lüders, Henrik Matthias; Arndt, Oliver Jakob; Blume, Holger Christoph.
2019. Paper presented at International Workshop on Algorithms, Models and Tools for Parallel Computing on Heterogeneous Platforms, Göttingen, Germany.Research output: Contribution to conference › Paper › Research
-
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.Led by: Prof. Dr.-Ing. Holger BlumeTeam:Year: 2020Funding: BMBFDuration: 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.Led by: Prof. Dr.-Ing. Holger Blume, M.Sc. Matthias LüdersTeam:Year: 2023Funding: KDT JUDuration: 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.Led by: Prof. Dr.-Ing. Holger BlumeTeam:Year: 2022Duration: 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.Led by: Prof. Dr.-Ing. habil H. BlumeTeam:Year: 2023Duration: 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.Led by: Prof. Dr.-Ing. Holger Blume, M.Sc. Matthias LüdersTeam:Year: 2023Funding: KDT JUDuration: 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.Led by: Prof. Dr.-Ing. Holger BlumeTeam:Year: 2020Funding: BMBFDuration: Mai 2020 - Dezember 2025
![]()
![]()
-
