Studierende entwickeln KI-Chip

Ein Student entwirft einen Mikrochip. Nicht nur theoretisch im Hörsaal, sondern praktisch an einem modernen Forschungsinstitut. Er verfolgt gespannt, als sein Kommilitone die Charakterisierung vornimmt. Die Tests beweisen: Sein Chip funktioniert, dieser kann mithilfe von Methoden der Künstlichen Intelligenz (KI) Probleme lösen. Unter Anleitung des Professors sammeln beide Erfahrungen, die über das bisher übliche Maß der Hochschulbildung hinausgehen. Diese Form der praxisorientierten Lehre soll Schule machen. Das BMBF-Projekt „Brandenburg/Bayern Aktion für KI-Hardware-Themen im Lehrplan der Universitäten“ (kurz: BB-KI Chips) wird die Ausbildung im Bereich der KI-Hardware-Entwicklung vorantreiben. Daran arbeiten die Universität Potsdam und die Technische Universität München. Die Lehre beinhaltet das Design von Systemen mit einfacher und mittlerer Komplexität bis hin zur tatsächlichen Chipfertigung. Für Studierende ist das deutschlandweit eine einzigartige Möglichkeit, diese praktischen Fertigkeiten zu erlernen.
Prof. Dr.-Ing. Miloš Krstić leitet die Abteilung „System Architectures“ am IHP – Leibniz-Institut für innovative Mikroelektronik in Frankfurt (Oder) und ist seit 2016 Professor für „Design- und Testmethodik“ an der Universität Potsdam. Über das gemeinsame Labor, das Joint Lab „Wireless and Embedded System Design“, gestaltete er seine Lehre bereits sehr praxisorientiert. Dieses Wissen will er im Projekt „BB-KI Chips“ vertiefen und anderen Hochschulen mögliche Methoden zur Verfügung stellen. „Wir versuchen, den Studierenden zu zeigen, dass die Hardwarentwicklung der Schlüssel dafür ist, die KI-Anwendungen voranzutreiben und wettbewerbsfähige KI-Lösungen ,Made in Germany‘ anzubieten. Nur wer den Zusammenhang zwischen der KI-Spezifikation und der Implementierung der Hardware verstanden hat, kann mit seinen Entwürfen die komplexen Anforderungen an Leistung, Sicherheit und Zuverlässigkeit erfüllen“, ist er überzeugt. Das derzeitige universitäre Bildungsangebot in Deutschland vernachlässigt jedoch häufig Hardware-Themen und betont eher theoretische Grundlagen und optimale algorithmische KI-Implementierungen.