På Saab blickar vi ständigt framåt och utmanar gränserna för vad som är tekniskt möjligt. Vi samarbetar med kollegor runt om i världen som alla delar vår utmaning – att göra världen till en säkrare plats.
Affärsområde Surveillance erbjuder effektiva lösningar för övervakning och beslutsstöd, och system för att upptäcka och skydda mot olika typer av hot. Produktportföljen omfattar flygburna, landbaserade och marina radarsystem, system för signalspaning och självskydd, ledningssystem samt system för sjöfarts- och flygtrafikledning.
SAAB jobbar för tillfället med flertalet projekt där maskininlärnings-algoritmer studeras i syfte att antingen optimera befintliga signalkedjor eller för att ta fram lösningar för framtida produkter.
Ett naturligt steg för att testa koncepten i praktiken är att implementera dessa färdigtränade algoritmer i hårdvara. Då det inte är helt utan problem att använda sig av kraftfulla och/eller flertalet GPUer i inbyggda system är en rimlig metod istället att använda sig av FPGAer eller System-On-Chip (SoC). FPGAer är en avancerad krets som har stora fördelar när man använder dem till icke serialiserade algoritmer där parallella operationer kan ske. Att implementera djupinlärnings algoritmer i FPGAer är ett relativt outforskat område där detta examensarbete ämnar att undersöka SAABs möjligheter att använda sig av detta i framtiden.
Möjliga frågeställningar för detta examensarbete skulle bland annat kunna vara någon av följande:
• Undersöka latency och throughput för olika djupinlärningsmetoder (DL) metoder i en FPGA - hur stort nätverk är värt att använda kontra för stor negativ effekt på exekveringstiden i FPGAn?
• Vad är möjliga optimeringar av algoritmerna när man översätter till VHDL och/eller C kod? – Hur kan man få ner storleken utan att tappa upplösning och noggrannhet?
• Prestandaskillnad att köra algoritmerna på FPGA jämfört med CPU? - (I ett specifikt SAAB koncept) En implementerad FPGA får jämföras med nuvarande lösning för att ge underlag till framtiden.
• Egen frågeställning.
Arbetsbeskrivning:
• Kort litteraturstudie om vald DL metod (t ex Multilayer perception, convolutional neural network etc).
• Kort litteraturstudie av metoder för att implementera DL algoritmen till VHDL och/eller C kod.
• Kort litteraturstudie av metoder för att optimera hastigheten för prediktion(t ex pruning eller viktkvantifiering).
• Implementera färdigtränad modell från ramverk.
• Implementera färdigtränad modell från ramverk på ett XILINX Zynq Ultrascale+ SoC evaluation board (ramverk såsom Tensorflow, Torch, Keras etc kan användas).
• Beroende på frågeställning undersöka sig vidare inom ämnet.
Vi söker dig som:
• Studerar civilingenjör inom teknisk fysik, elektro el liknande.
• Har ett intresse för maskininlärning och framför allt djupinlärning.
• Läst kurser inom digital elektronikkonstruktion som behandlar FPGAer och VHDL.
• Är bekant med C kod och inbyggda system.
• Fördelaktigt om du har erfarenhet av Python och något populärt djupinlärningsramverk (Tensorflow, PyTorch etc.).
29-02-2024
Ange nedan vart du önskar arbeta och glöm inte bort att ange din e-postadress!