SEC-Learn - Sensor Edge Cloud for Federated Learning

Komplexe Informationssysteme und Digitaltechnologien sind ein wesentlicher Faktor für das wirtschaftliche Wachstum und die Wettbewerbsfähigkeit Europas. Durch die fortschreitende Digitalisierung wächst die Menge an zu erfassenden und auszuwertenden Sensordaten rapide an, was mit hohen Ansprüchen an Soft- und Hardware einhergeht. Zudem werden zunehmend höhere Anforderungen an den Datenschutz und die Datensicherheit gestellt. Herkömmliche Computing-Technologien stoßen bezüglich Geschwindigkeit, Leistungsfähigkeit und Energieeffizienz an ihre Grenzen. Daher verfolgt das Fraunhofer IPMS im Projekt SEC-Learn neuartige Ansätze aus dem neuromorphic Computing, um beispielsweise rechenintensive Aufgaben auch in Anwendungen wie mobilen Endgeräten oder Fahrzeugen, realisieren zu können, bei denen die Energie- und Speicherkapazitäten begrenzt sind.

Viele Anwendungen, die das Auswerten, Kategorisieren oder Darstellen riesiger Datenmengen verlangen, stützen sich heutzutage auf Künstliche Intelligenz (KI). Einerseits gehen die dadurch generierten hohen Datenmengen mit einem gesteigerten Energiebedarf einher, andererseits werden die Daten zentral gespeichert, was Risiken aus Sicht des Datenschutzes und der Datensicherheit mit sich bringt. Wünschenswert sind also neue Ansätze, die sowohl Energieeffizienz als auch Sicherheitsaspekte vereinen. Im Projekt Sec-Learn forscht das Fraunhofer IPMS mit zehn weiteren Fraunhofer-Instituten an der Entwicklung einer neuromorphen Computingarchitektur für föderiertes Lernen. Föderiertes Lernen bezeichnet den Ansatz, bei dem KI Algorithmen so trainiert werden, dass Daten auf mehreren Geräten oder Servern verteilt gespeichert werden. Im Gegensatz zu klassischem Cloudbasierten maschinellem Lernen bietet sich so der Vorteil, dass sensible Daten in lokalen Systemen verbleiben – ein großer Gewinn für Datenschutz und Datensicherheit. Bei der im Projekt SEC-Learn entwickelten Plattform sollen zusätzlich neuromorphe Hardwarebeschleuniger zum Einsatz kommen, die eine um Größenordnungen geringere Leistungsaufnahme aufweisen. Getestet werden die Entwicklungen an zwei Use Cases – der Spracherkennung für Sprachassistenten und der Bilderkennung für autonomes Fahren.

Das Fraunhofer IPMS nutzt im Projekt seine Expertise in neuartige Speichertechnologien, insbesondere eingebettete nicht-flüchtige Speicher (NVM) in fortgeschrittenen Technologieknoten. Diese ermöglichen eine lokale Integration von Logikelementen und somit In-Memory-Computing.