Was wäre, wenn die Technologie, die unsere Autos, medizinischen Geräte und Energieinfrastrukturen antreibt, Sicherheit und Zuverlässigkeit garantieren könnte wie nie zuvor? Pengyuan “Eric” Lu, Doktorand am Penn Research in Embedded Computing and Integrated Systems Engineering (PRECISE) Center, macht diese Vision durch seine Forschung im Bereich des Deep Learnings für sicherheitskritische Systeme zur Realität. Cyber-physische Systeme (CPS), in denen “intelligente” Technologien mit der physischen Welt interagieren, sind für unser tägliches Leben unerlässlich: Sie steuern Autos, medizinische Geräte, Heizungs- und Kühlsysteme von Gebäuden und intelligente Stromnetzwerke. Lus Forschung konzentriert sich darauf, die Zuverlässigkeit und Sicherheit solcher Systeme zu verbessern.
Lu, der von Insup Lee, dem Leiter des PRECISE Center, Cecilia Fitler Moore Professor in der Abteilung für Informatik und Informationstechnologie (CIS), und Oleg Sokolsky, Forschungsprofessor in CIS, betreut wird, zielt darauf ab, eine bedeutende Herausforderung in modernen Steuerungsrichtlinien von CPS zu bewältigen: sicherzustellen, dass diese Systeme sicher sind und in Echtzeit angemessen auf die physische Welt reagieren. Lu, der 2019 an die Penn kam, nutzt Techniken zur Reparatur neuronaler Netzwerke, um diese Eigenschaften durchzusetzen und damit ein neues Maß an Sicherheitsgewährleistung für Deep-Learning-fähige CPS-Komponenten zu bieten. “Ich glaube, meine Forschung könnte bedeutende Auswirkungen auf die zukünftige Verwendung von Deep-Modellen in sicherheitskritischen Anwendungen haben”, sagt Lu. “Diese Arbeit unterstreicht die Praktikabilität der Anpassung von Deep-Modellen, um formale Sicherheits- und Steuerungsziele über umfangreiche Eingabebereiche zu erfüllen und voranzubringen. die Fortschritte der Industrie bei der Integration dieser Modelle in kritische Systeme wie autonome Fahrzeuge und medizinische Geräte.” Dieser Beitrag stammt von Liz Wai-Ping Ng. Lesen Sie mehr auf Penn Engineering.