Matthias Jobst

Email
Telefon: +49 351 463 33862
Google Scholar

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.

Veröffentlichungen:

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

Innerhalb von TP4:

- Entwicklung eines Body-Computing-Hubs, eines Chips zur Vorverarbeitung haptischer Daten

- Anbindung eines drahtlosen ultrahochfrequenz-Sender/Empfängers (mit Lehrstuhl für Schaltungsentwurf und Netzwerktheorie)

Mit anderen Räumen:

- Gestenerkennung mit haptischen Handschuhen für die "Hello Robot"-Demo

- Gestenerkennung zur Steuerung von Robotern (mit U2)

CeTI-Räume innerhalb von CeTI, an denen Sie beteiligt sind:

TP4

Further Questions:

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.