In einer Masterarbeit in der Akustikgruppe der HFT Stuttgart wurde für eine Beurteilung des Verkehrsaufkommens der Einsatz einer automatischen Erkennung von Straßengeräuschen wie Motoren, Passanten und Umweltgeräuschen untersucht. Durch Verwendung des maschinellen Lernens, genauer dem s.g. Deep Learning, sollten unterschiedliche Fahrzeuge anhand der akustischen Signale erkannt und unterschiedlichen Fahrzeugkategorien (z.B. Leicht-, Mittel-, Schwerfahrzeuge, Schienenfahrzeuge, Zweiräder) zu geordnet werden. Um die Berechnungszeit für das Deep Learning zu verkürzen, wurden die Berechnungen auf dem HPC Cluster durchgeführt, wobei mittels paralleler Programmierung eine Vielzahl von Rechenknoten auf dem Cluster genutzt wurden.
<br/>for more information click <ahref="https://transfer.hft-stuttgart.de/pages/sharif/akustikimobi/home/"> hier</a>
In der Hochschullehre liefern häufige kleine Tests den Studierenden und Lehrenden wichtige Rückmeldung zum Lernstand, bedeuten aber auch zusätzlichen Zeitaufwand für die Korrektur. Daher gibt es schon länger Ansätze zur automatischen oder automatisch gestützten Bewertung von kurzen Freitext-Antworten. Wir prüfen, ob die im Natural Language Processing (NLP) hoch erfolgreichen transformerbasierten neuronalen Modelle auch eine Qualitätsverbesserung bei der automatisierten Bewertung von Freitexten liefern können.Der Trainingsaufwand für das Anpassen der existierenden Modelle an die konkrete Aufgabe übersteigt bei weitem das auf einem üblichen PC realistisch leistbare. Daher nutzen wir die Ressourcen von bwHPC.
Die Elektromobilität hat einen tiefgreifenden wirtschaftlichen und ökologiscen Einfluss auf unsere Gesellschaft. Ein Großteil der Transformation im Mobilitätssektor wird durch die Digitalisierung vorangetrieben, indem diese echtzeitfähige Interaktionen zwischen den unterschiedlichen Beteiligten, wie z.B. Fahrzeugnutzern und Infrastrukturbetreiber, ermöglicht. In einer Studie wird ein neues, auf dem s.g. Deep Reinforcement Learning basierendes Konzept für die Optimierung solcher Interaktionen und Entscheidungsprozessen zwischen den Beteiligten in einem Smart-Mobility Ecosystem untersucht. Der hierbei entwickelte Algorithmus löst dabei kontextbezogene, beschränkte Optimierungsprobleme zur Erfüllung von Anfragen der Beteiligten. Dabei lernt der Algorithmus von der Umgebung und den Interaktionen bis sich für den jeweils betrachteten Kontext ein optimales Gleichgewicht bei der Erfüllung der Anfragen einstellt.
Um dieses rechenintensive Problem zu lösen, läuft der Algorithmus auf dem HPC Cluster unter Verwendung des oben genannten, bereit gestellten Templates.
