Better abstract

src/abstract.tex

@@ -1,22 +1,22 @@
 \begin{abstract}
 \section*{Abstract}
 
-In our increasingly data-oriented world, machine learning applications such as \acp*{llm} for language processing, \acp*{cnn} for image recognition or \acp*{rnn} for processing sequential data are becoming more and more important. 
+In our increasingly data-oriented world, machine learning applications such as \acp*{llm} for natural language processing are becoming more and more important. 
 An important component of these new systems are \acp*{dnn}.
-Specialized processors such as \acp*{gpu} or \acp*{tpu} were used in the past to accelerate the operation of such \acsp*{dnn}.
+To accelerate such \acsp*{dnn}, specialized processors such as \acp*{gpu} or \acp*{tpu} are mainly used, which can perform the required arithmetic operations more efficiently than \acp*{cpu}.
-However, it has become apparent that the performance of \acsp*{dnn} is increasingly limited less by the computing power provided, but rather by the limited memory bandwidth of the \acp*{dram}.
+However, it turns out that the achievable performance of \acsp*{dnn} is less and less limited by the available computing power and more and more by the finite memory bandwidth of \acp*{dram}.
-One possible solution to this problem is the use of \ac*{pim}, i.e., the processing of data directly in memory.
+A possible solution to this problem is the use of \ac*{pim}, which offloads some of the data processing directly into memory.
-This paper examines which applications are suitable for the use of \acs*{pim} and what effects on the performance can be expected.
+In this thesis, the real-world \acs*{pim} implementation \acl*{fimdram} of the major memory manufacturer Samsung is analyzed with the help of a newly developed software model and using the gem5 simulation platform and the DRAMSys memory simulator.
 
 \vspace{1.0cm}
 
 \section*{Zusammenfassung}
 
-In unserer zunehmend datenorientierten Welt gewinnen Anwendungen des maschinellen Lernens wie \acp*{llm} zur Verarbeitung von Sprache, \acp*{cnn} zur Bilderkennung oder \acp*{rnn} zur Verarbeitung von sequenziellen Daten an immer größerer Bedeutung. 
+In unserer zunehmend datenorientierten Welt gewinnen Anwendungen des maschinellen Lernens wie \acp*{llm} zur Verarbeitung von natürlicher Sprache an immer größerer Bedeutung. 
-Ein wichtiger Bestandteil dieser neuen Systeme sind \acp*{dnn}.
+Eine wichtige Komponente dieser neuen Systeme sind \acp*{dnn}.
-Zur Beschleunigung der Berechnung solcher \acsp*{dnn} wurden in der Vergangenheit spezialisierte Prozessoren wie \acp*{gpu} oder \acp*{tpu} eingesetzt.
+Zur Beschleunigung solcher \acsp*{dnn} werden vorwiegend spezialisierte Prozessoren wie \acp*{gpu} oder \acp*{tpu} eingesetzt, die die erforderten Rechenoperationen effizienter ausführen können als \acp*{cpu}.
-Es zeigt sich allerdings, dass die Leistung von \acsp*{dnn} zunehmend weniger durch die bereitgestellte Rechenleistung begrenzt wird, sondern vielmehr durch die begrenzte Speicherbandbreite des \acp*{dram}.
+Es zeigt sich jedoch, dass die Leistung von \acsp*{dnn} zunehmend weniger durch die erreichbare Rechenleistung als vielmehr durch die endliche Speicherbandbreite des \acp*{dram} begrenzt wird.
-Eine mögliche Lösung für dieses Problem ist die Nutzung von \ac*{pim}, also die Verarbeitung von Daten direkt im Speicher.
+Eine mögliche Lösung für dieses Problem ist die Verwendung von \ac*{pim}, das einen Teil der Datenverarbeitung direkt in den Speicher verlagert.
-In dieser Arbeit wird untersucht, welche Anwendungen sich für die Nutzung von \acs*{pim} eignen und welche Auswirkungen auf die Leistung zu erwarten sind.
+In dieser Arbeit wird die reale \acs*{pim}-Implementierung \acl*{fimdram} des großen Speicherherstellers Samsung mithilfe eines neu entwickelten Softwaremodells und unter Verwendung der Simulationsplattform gem5 und des Speichersimulators DRAMSys analysiert.
 
 \end{abstract}