Abschlussarbeiten
Das Fachgebiet Technische Informatik bietet Stundenten die Möglichkeit Abschlussarbeiten in den Bereichen FPGA, 5G, Videokommunikation und integrierte Schaltungen und zu bearbeiten. Für detailiertere Informationen zu aktuellen Aufgabenstellungen und zu Forschungsthemen wenden Sie sich bitte direkt an die entsprechenden Mitarbeiter.
Offene Themen
Gestalten Sie die Zukunft der KI – Themen für Masterarbeiten verfügbar
Type: Masterarbeit
Betreuer:Dr. Mahdi Taheri
Kontakt:taheri(at)b-tu.de
Website: https://www.b-tu.de/en/technische-informatik/team/mitarbeiter/senior-mitarbeiter/dr-mahdi-taheri
Beschreibung:
Es stehen Masterarbeitsthemen in mehreren zentralen Bereichen der modernen künstlichen Intelligenz und KI-Hardware zur Verfügung, darunter:
KI-Sicherheit
Hardwarebeschleunigung für KI (FPGA, Softcore-GPU/FGPU)
Zuverlässigkeit von KI-Systemen
Approximate Computing
Neuromorphes Rechnen (SNN)
Modelloptimierung (Pruning, Quantisierung, LLM-/Transformer-Optimierung)
Der Schwerpunkt der Arbeiten liegt auf der Entwicklung und Optimierung fortgeschrittener KI-Modelle wie Transformern und LLMs sowie der Gestaltung energieeffizienter, zuverlässiger und sicherer Hardwarebeschleuniger. Forschungsrichtungen umfassen hardwarebewusste Optimierung, fehlertolerante Architekturen, Approximate-Computing-Methoden, neuromorphes Rechnen und Modellkompression für Edge-AI und sicherheitskritische Anwendungen.
Eigene Themenvorschläge sind ebenfalls verhandelbar.
Termine können ausschließlich per E-Mail vereinbart werden.
---------------------------------------------------------------------------------------------------
3D-fusionierte Multiview-3D-Bilder aus nur einer einzigen Ansicht
Titel: Erstellung von Einzelbild- zu fusionierten Multibild-Lichtblattbildern mit Deep Learning
Typ: Bachelorarbeit
Betreuer: Alireza Siyavashi, Dr.-Ing. Christian Herglotz
Kontakt: siyavash@b-tu.de
Beschreibung: Ziel ist die Weiterentwicklung von Methoden zur 3D-Bildfusion mittels Deep Learning in Biologie und Mikroskopie. Ziel ist die Vorhersage eines fusionierten 3D-Bildes aus nur einer 3D-Ansicht unter Berücksichtigung der Einschränkungen aktueller Mikroskopietechniken wie Lichtexposition und Probenschädigung. Dies verbessert die Bildqualität, verlängert die Live-Bildgebungsdauer, spart Photonenbudget und verbessert die Bildanalyse, insbesondere bei großen biologischen Proben. Die Herausforderung besteht in der Entwicklung robuster Open-Source-Methoden mit hoher Datenvariabilität.
Erforderliche Kenntnisse:
- Deep Learning für die Bildverarbeitung
- 3D-Bildgebungsverfahren und tiefes Verständnis von Voxel- und Gitternetzwerken
- Bildfusions- und -wiederherstellungsmethoden
- Programmierung (Python, TensorFlow oder ähnliches)
Rauschunterdrückung und Signalverbesserung
- Titel: Entwicklung von AI-basierten oder adaptiven Filtertechniken zur Rauschunterdrückung in Ultraschallsignalen
- Typ: Master Thesis
- Supervisor: M.Sc. Priscile Suawa Fogou
- Beschreibung:
Ultraschallsignale sind in industriellen, medizinischen und sensorischen Anwendungen weit verbreitet. Diese Signale leiden jedoch häufig unter Hintergrundrauschen und Störungen, die die Genauigkeit und Zuverlässigkeit beeinträchtigen können. Herkömmliche Filtermethoden wie Bandpassfilter oder Wavelet-Transformationen sind bei komplexen Rauschmustern nur begrenzt einsetzbar. Dieses Thema zielt darauf ab, KI-basierte und adaptive Filtertechniken zu erforschen, um die Klarheit und Präzision von Ultraschallsignalen zu verbessern, indem unerwünschtes Rauschen dynamisch reduziert wird.
- Benötigte Fähigkeiten:
- Grundkenntnisse der Signalverarbeitung
- Maschinelles Lernen
- Programmierung (idealerweise Python)
Energieeffizientes Video-Streaming auf eingebetteten Systemen
Typ: Bachelor-/Masterarbeit
Betreuung:M.Sc. Sayeh Janani, Dr.-Ing. Christian Herglotz
Kontakt: janani(at)b-tu.de
Beschreibung:
Video-Streaming zählt zu den dominierenden Quellen des globalen Datenverkehrs und trägt erheblich zum Energieverbrauch sowie zu den Umweltauswirkungen digitaler Systeme bei. Im Rahmen des MeReVeS-Projekts untersucht diese Arbeit den Energieverbrauch der Videowiedergabe auf eingebetteten Plattformen.
Der/die Studierende arbeitet mit Videosequenzen, die mit unterschiedlichen Parametern wie Codec (AVC / HEVC / AV1 / VVC), Auflösung und Bitrate kodiert sind, und analysiert deren Einfluss auf den Energieverbrauch während der Wiedergabe. Ziel ist es, zu verstehen, wie Videomerkmale den Energieverbrauch beeinflussen, und Trends für energieeffizientere Streaming-Konfigurationen zu identifizieren.
Für Masterstudierende kann das Thema durch die Einbindung von Dynamic Voltage and Frequency Scaling (DVFS) erweitert werden. In diesem Fall analysiert der/die Studierende, wie sich adaptive CPU-Frequenz- und Spannungseinstellungen auf Energieverbrauch und Leistung auswirken, und untersucht einfache Strategien zur energieeffizienten Optimierung.
Vorkenntnisse:
- Grundlegendes Verständnis von Computersystemen oder eingebetteten Systemen
- Interesse an Multimedia-Systemen und energieeffizientem Computing
- Programmierkenntnisse (Python, MATLAB oder Bash)
- Erfahrung mit Linux-Systemen ist von Vorteil