Electrical Engineering ist eine Kernkompetenz, die sich in allen unseren Forschungsgruppen widerspiegelt. Wir erforschen und entwickeln innovative Schaltungen für Schweizer Unternehmen in den Bereichen Ultra-Low-Power-Elektronik, mit oder ohne Energy Harvesting; drahtlose Kommunikationssysteme; Hochleistungs-Computerausrüstung und sichere und zuverlässige Systeme. Wir erforschen und entwickeln auch innovative Systeme in VHDL auf FPGAs und Software für Hochleistungssignalverarbeitung, Netzwerk- und Kommunikationstechnologien und embedded machine learning.

Mehr Informationen zum MSE in Electrical Engineering

Computer Science for Embedded Systems ist eine Kernkompetenz, die sich in allen unseren Forschungsgruppen widerspiegelt. Wir erforschen und entwickeln Software sowohl für IoT/ultra-low-power Systeme als auch für Hochleistungskommunikationsnetzwerke und Signalverarbeitung. Wir legen besonderen Wert auf hochwertige Softwareentwicklung, angewandte Sicherheit, Anbindung und Interaktion zwischen embedded (IoT) Geräten und Datenbanken und der Cloud, Signalverarbeitung, (embedded) Betriebssysteme und embedded machine learning. Unsere Ergebnisse der angewandten Forschung werden von der Industrie in den Bereichen IoT, Big Science, industrielle als auch Telekommunikation, embedded machine learning und sichere und zuverlässige Systeme kommerzialisiert.

Mehr Informationen zum MSE in Computer Science

Data Science in Embedded Systems ist eine Kompetenz, die sich in unseren IoT- und embedded machine learning widerspiegelt. Wir verwenden Data-Mining-Algorithmen in der Videoverarbeitung für sichere und zuverlässige Systeme und in IoT-Systemen beim Mustervergleich, während die embedded machine learning Lerngruppen auf datenwissenschaftliche Technologien zur Optimierung des maschinellen Lernens für ressourcenbeschränkte Systeme angewiesen sind.

Mehr Informationen zum MSE in Data Science

Mehr Informationen zum MSE in Information and Cyber Security

Wie können Gerätehersteller ihre low-power IoT-Geräte schützen?
Die Arbeit schlägt einen systematischen Design-Flow für sichere IoT-Geräte vor. Darüber hinaus bietet sie einen Proof-of-Concept durch die Implementierung eines realen Anwendungsbeispiels unter Verwendung eines Secure Microcontrollers mit einer Trusted Execution Environment (ARM TrustZone). Das Ergebnis demonstriert den Stand der Technik bei Sicherheitsmassnahmen für Embedded Systems und deren Anwendung in einer sicheren, Cloud-basierten Anwendung.

Das Ziel dieser Arbeit war es, Methoden zu untersuchen, um neuronale Netze auf Mikrocontrollern adaptiv zu implementieren. Adaptiv bedeutet in diesem Zusammenhang, dass sich das neuronale Netz auf dem Mikrocontroller automatisch an die jeweilige Umgebung anpassen kann. Dies bringt zahlreiche Vorteile, da die Umgebung, in der Mikrocontroller eingesetzt werden, oft nicht statisch ist und z.B. gemessene Sensordaten sich mit der Zeit im Durchschnitt verändern können. Der wichtige Schritt in dieser Arbeit war die Analyse von Algorithmen, die es neuronalen Netzen ermöglichen, sich an sich ändernde Umgebungen anzupassen. Dieser Prozess ist als "Domänenanpassung" bekannt, wobei das Netzwerk ursprünglich auf anderen Daten als in der realen Anwendung trainiert wurde. Es wurden verschiedene Algorithmen untersucht, um zu sehen, ob sie für die Ausführung auf Mikrocontrollern angepasst werden können. Der vielversprechendste Algorithmus wurde für den Einsatz auf einem Mikrocontroller angepasst und mit verschiedenen Datensätzen ausgewertet und mit dem ursprünglichen Algorithmus verglichen. Die Anpassung war sehr erfolgreich und lieferte vergleichbare oder bessere Ergebnisse als der ursprüngliche Algorithmus.