Curriculum Vitae

Dennis Walter ist am Lehrstuhl für Hochparallele VLSI-Systeme und Neuro-Mikroelektronik an der TU Dresden und bei der Racyics GmbH tätig. An der Universität ist er aktiv an allen erweiterten Knotenbandausgänge beteiligt, mit einem Schwerpunkt auf physikalische und zeitliche Abmusterung. Sein Hauptforschungsgebiet ist die energieeffiziente Implementierung integrierter digitaler Schaltungen bei ultra-niedrigen Spannungen und die erforderliche Modellierung statistischer Variationseffekte.
Er schloss sein Studium der Informations- und Systemtechnik an der TU Dresden 2010 als Dipl.-Ing. (M.Sc.) ab und begann dort, sich mit Hochgeschwindigkeits-On-Chip-Verbindungen und zellbasiertem Design zu beschäftigen.

Projekte/Kooperationen innerhalb von CeTI, an denen Sie beteiligt sind:

Entwurf und Kompatibilität von Komponenten und Bausteinen für den Body Computing Hub (BCH)

Was schätzen Sie an Ihrer Arbeit bei CeTI am meisten?

Optimierung der Hardware und der Implementierung auf der Grundlage spezifischer Anwendungsfälle und der direkten Anwendung in Demonstratoren zusammen mit anderen Gruppen.

Was war Ihr bisher schönster Moment bei CeTI?

Ich bin wirklich beeindruckt von der Art und Weise, wie CeTI versucht, mit all seinen interaktiven Demonstratoren und sogar Schulmodulen für Schüler auf die Öffentlichkeit zuzugehen.

Woran würden Sie gerne noch forschen?

Erweiterung des aktuellen Sensordatensatzes durch Einbeziehung von dehnungs- und kraftbasierten Sensoren zur Modellierung eines echten menschenähnlichen Fühlens am Handschuh mit integrierter Daten- und Modellverarbeitung.

Wie verbringen Sie Ihre Freizeit?

Lesen, Radfahren, Musik hören, ...

Veröffentlichungen

1.

Heiner Bauer; Marco Stolba; Stefan Scholze; Dennis Walter; Christian G. Mayr; Alexander Oefelein; Sebastian Höppner; André Scharfe; Flo Schraut; Holger Eisenreich

A RISC-V MCU with adaptive reverse body bias and ultra-low-power retention mode in 22 nm FD-SOI (Proceedings Article)

In: Proceedings of the International SoC Design Conference (ISOCC), 2023.

(Links | BibTeX)

2.

Matthias Jobst; Johannes Partzsch; Chen Liu; Liyuan Guo; Dennis Walter; Saif-Ur Rehman; Stefan Scholze; Sebastian Höppner; Christian G. Mayr

ZEN: A flexible energy-efficient hardware classifier exploiting temporal sparsity in ECG data (Proceedings Article)

In: Proceedings of the International Conference on Artificial Intelligence Circuits and Systems (AICAS), 2022.

(Links | BibTeX)