Curriculum Vitae
Matthias Jobst studierte Elektrotechnik (Diplom) an der TU Dresden mit dem Schwerpunkt digitales Chipdesign. Noch als Student sammelte er erste Erfahrungen bei der Rohde&Schwarz Messgerätebau GmbH und der Coinbau GmbH, bevor er sich mit dem Design digitaler Chips für die hocheffiziente Beschleunigung des maschinellen Lernens beschäftigte, was ihn zu seiner jetzigen Position führte, wo er als CeTI-Mitglied am Lehrstuhl für Hochparallele VLSI-Systeme und Neuromorphe Schaltungen an der TU Dresden in diesem Bereich promovierte. Dort war er maßgeblich an einem Team beteiligt, das im deutschlandweiten "Pilotinnovationswettbewerb 'Energieeffizientes KI-System'" eine Auszeichnung für energieeffiziente KI-Hardware erhielt. Seine aktuelle Forschung konzentriert sich darauf, maschinelles Lernen energieeffizienter zu machen, indem er Sparsamkeit in neuronalen Netzen nutzt sowie erzwingt und entsprechende Hardwarebeschleuniger entwickelt.
Projekte/Kooperationen innerhalb von CeTI, an denen Sie beteiligt sind:
Within TP4
- design of a body computing hub, a chip to preprocess haptic data
- interfacing an ultra-high frequency wireless transceiver (with Chair for Ciruit Design and Network Theory)
With other rooms
- Gesture recognition using Haptic Gloves for the „Hello Robot“ demo
- Gesture recognition for control of robots (with U2)
Was schätzen Sie an Ihrer Arbeit bei CeTI am meisten?
Die Zusammenarbeit mit Forschern aus so vielen verschiedenen Fachgebieten bietet die einmalige Gelegenheit, sich mit einer Vielzahl von Themen vertraut zu machen.
Was war Ihr bisher schönster Moment bei CeTI?
Mein erster Tag bei CeTI war die Generalversammlung von CeTI. Ich lernte so viele Menschen kennen und wurde von ihnen herzlich begrüßt.
Woran würden Sie gerne noch forschen?
Viele Anwendungen des maschinellen Lernens sind in kleinen Edge-Systemen, wie z. B. Wearables oder intelligenten Geräten, immer noch nicht möglich - sie verbrauchen einfach zu viel Energie und benötigen riesige Speicher für die Speicherung der Parameter. Indem ich neuronale Netze komprimiere und sie nur relevante Teile der Daten betrachten lasse, versuche ich, diese Anforderungen zu reduzieren.
Wie verbringen Sie Ihre Freizeit?
Ich gehe bouldern, manchmal auch klettern und versuche mit meinem Klavier ein paar Jam-Sessions zu spielen.
Veröffentlichungen
| 1. | In: Nature Communications, Bd. 15, Nr. 1, S. 8122:1–15, 2024. |
| 2. | A low-power hardware accelerator of MFCC extraction for keyword spotting in 22 nm FDSOI (Proceedings Article) In: Proceedings of the IEEE International Conference on Artificial Intelligence Circuits and Systems (AICAS), 2023. |
| 3. | Deploying machine learning models to ahead-of-time runtime on edge using MicroTVM (Proceedings Article) In: Proceedings of the Workshop on Compilers, Deployment, and Tooling for Edge AI (CODAI), 2022. |
| 4. | 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. |
| 5. | Event-based neural network for ECG classification with delta encoding and early stopping (Proceedings Article) In: Proceedings of the International Conference on Event-Based Control, Communication, and Signal Processing (EBCCSP), 2020. |
