Unsicherheit und Determinismus im Gleichgewicht: Sichere Integration von maschinellem Lernen in Echtzeitsysteme

• Antragsteller: Dr.-Ing. Junjie Shi
• Fachliche Zuordnung: Rechnerarchitektur, eingebettete und massiv parallele Systeme
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 572586998

Algorithmen des maschinellen Lernens (ML) werden zunehmend in zeitkritische Systeme wie autonome Fahrzeuge, industrielle Steuerungen und medizinische Geräte integriert. Solche Anwendungen erfordern sowohl intelligente Entscheidungsfindung als auch strikte Garantien hinsichtlich Zeitverhalten, Zuverlässigkeit und Sicherheit. Die meisten ML-Modelle sind jedoch rechenintensiv und verhalten sich probabilistisch, was sie nur schwer mit den deterministischen Anforderungen eingebetteter Echtzeitsysteme vereinbar macht. Zudem stellen sich beim Einsatz von ML in verteilten eingebetteten Systemen neue Herausforderungen, insbesondere durch strikte Datenschutzvorgaben und dynamische Heterogenität in Bezug auf: Hardwareeigenschaften, Ressourcenverfügbarkeit und lokal variierenden Datenverteilungen. Dieses Projekt zielt darauf ab, grundlegende Methoden für die sichere und effiziente Integration von maschinellem Lernen in eingebettete Echtzeitsysteme zu entwickeln. Es adressiert zentrale Herausforderungen an der Schnittstelle von zeitlicher Vorhersagbarkeit, adaptivem Modelleinsatz und intelligenter Systemsteuerung. Konkret verfolgt das Projekt drei Hauptziele: (1) Sicherstellung der zeitlichen Vorhersagbarkeit von ML-Aufgaben durch die Entwicklung analytischer Modelle und architekturbewusster Optimierungstechniken zur präzisen Bestimmung von Worst-Case Execution Time (WCET) und Worst-Case Response Time (WCRT); dazu zählen Modellrestrukturierung, Aufgabenpartitionierung und speicheroptimierte Verteilung auf Multicore-Plattformen.(2) Entwicklung adaptiver, ressourceneffizienter und datenschutzfreundlicher Verfahren zur Bereitstellung von ML-Modellen um den Herausforderungen von sich dynamisch verändernden verteilten eingebetteten Systemen zu begegnen. Dies umfasst föderierte Lernansätze, die mit heterogener Hardware, eingeschränkter Kommunikation und dynamisch variierenden, nicht unabhängig und identisch verteilten (non-IID) Daten umgehen können.(3) Einsatz von ML-Techniken zur Verbesserung der Planung und Analyse von Echtzeitsystemen, beispielsweise zur Beschleunigung von Analysen des Echtzeitverhaltens, zur Generierung von Beispielen die Zeitschranken verletzen oder zur Unterstützung adaptiver Zeitplanung mittels lernbasierter Optimierung – unter Wahrung formaler Korrektheits- und Zeitgarantien. Diese Beiträge sollen die Entwicklung intelligenter, zuverlässiger und echtzeitfähiger cyber-physischer Systeme ermöglichen, die auch unter strengen Randbedingungen lern- und anpassungsfähig bleiben.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: Singapur
• Gastgeberin: Professorin Tulika Mitra, Ph.D.