KI-Sprung: Analyse von EKG Daten durch Energieeffiziente Entscheidungsbäume auf einem Rekonfigurierbaren ASIC (GEnERIC)

Im Rahmen des Innovationswettbewerbs „KI-Sprung“ des BMBF wird eine energieeffiziente mikroelektronische zur schnellen Analyse von EKG-Daten zur Detektion des Vorhofflimmerns entwickelt. Dabei soll ein klassisches Konzept des Machine Learning auf einem neu trainierbaren ASIC umgesetzt werden.

Als Klassifikationsalgorithmus wird ein Ensemble von binären Entscheidungsbäumen, ein Decision Tree Ensemble, genutzt. Dabei soll weniger der klassische Random Forest Algorithmus verwendet werden, sondern insbesondere Gradient Boosting Decision Trees, welche in zahlreichen Benchmarks sehr kompetitive Ergebnisse erzielen und sehr häufig Machine Learning Challenges dominieren.

Entgegen dem aktuellen Deep Learning Trend kann eine optimierte Kombination aus Featureberechnung und klassischen ML Algorithmen energieeffizienter in Hardware umgesetzt werden. Neben dem Machine Learning System selbst ist für einen klasischen Ansatz eine Featureextraktion, also eine Voruntersuchung des zu verarbeitenden Datensatzes auf spezifische Eigenschaften erforderlich. Diese beiden Komponenten sollen in einem rekonfigurierbaren ASIC in der modernen Technologie „22FDSOI“ des Halsleiterherstellers Globalfoundries umgesetzt werden.

 Neben einem neuartigen Schaltungskonzept für den Klassifikationsalgorithmus soll die Energieeffizienz des KI Systems insbesondere durch die Co-Optimierung zwischen allen Ebenen von ML Algorithmen, Featureberechnung und Hardwarearchitektur maximiert werden.