Neuromorphic Computing Forscher entwickeln denkende Chips

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Fraunhofer-Institut fuer Photonische Mikrosysteme

Um die täglich anfallenden Datenmassen verarbeiten zu können, setzen Forscher auf das Neuromorphic Computing. Dabei konstruieren sie neuartige Computerchips, die selbst „denken“ können.

Die Anforderungen an die Hardware steigt immer weiter: Sie muss kleiner und gleichzeitig leistungsfähiger, energiesparender und schneller werden. Diese Anforderungen könnten mit dem sogenannten „Neuromorphic Computing“ umgesetzt werden, bei dem die selbstorganisierende und selbstlernende Natur des Gehirns nachgebildet werden soll. Das Fraunhofer-Institut für Photonische Mikrosysteme IPMS entwickelt dafür Materialien und Hardware.

Warum braucht es immer bessere Hardware?

In diesem Jahr wird ein Datenverkehr von 172 Terabit pro Sekunde prognostiziert – das entspricht pro Stunde der Datenmenge aller weltweit existierenden Kinofilme. Diese gigantische Datenmenge zu bewältigen und sinnvoll auszuwerten erfordert zunehmend Big-Data-Anwendungen und Künstliche Intelligenz. Deshalb braucht es neuartige ressourcen- und energieeffiziente Rechenarchitekturen.

Klassische Computer führen Berechnungen sequentiell aus und bearbeiten die Daten in einem zentralen Speicher. Das bedeutet, dass die Rechenleistung von der Datenübertragungsrate zwischen Prozessor und Speicher abhängt.

Dagegen ist unser Gehirn ein Multitaskingmeister – es verarbeitet eine große Menge an Daten gleichzeitig und nutzt parallele neuronale Netze. Dabei ist es extrem ressourcen- und energieeffizient. Neuromorphe Computer versuchen, diese Architektur nachzubilden.

Das Neuromorphic Computing verfolgt das Ziel, die Funktion des energieeffizientesten und flexibelsten Speichers der Welt – dem Gehirn – nachzubilden und einen hohen Grad an Plastizität zu ermöglichen.

Informationen werden bereits im System gespeichert

Das Fraunhofer IPMS arbeitet an neuen, nichtflüchtigen Speichertechnologien auf Basis von ferroelektrischem Hafniumdioxid für analoge und digitale neuromorphe Schaltungen. „Besonders aussichtsreich sind Crossbar-Architekturen, die auf nichtflüchtigen Speichern wie ferroelektrischen Feldeffekttransitoren beruhen“, erklärt Dr. Wenke Weinreich, Bereichsleiterin am Center Nanoelectronic Technologies des Fraunhofer IPMS in Dresden. Zusammen mit ihrem Team entwickelt sie diese nichtflüchtigen Speicher und integriert sie in neuromorphe Chips, die besonders hohe Rechenleistungen besitzen und dabei extrem energiesparend arbeiten.

Ferroelektrische Materialien zeichnen sich durch eine Änderung ihrer Polarisation bei Anlegen eines elektrischen Feldes aus. Nach Abschalten der Spannung bleibt der Polarisationszustand erhalten. Mittels dieser ferroelektrischen Feldeffekttransistoren können die für Deep-Learning-Algorithmen notwendigen Gewichtswerte nicht nur direkt im Chip abgespeichert, sondern auch mit diesen gerechnet werden – sogenanntes In-Memory-Computing.

Ähnlich dem menschlichen Gehirn ist die Hardware-Architektur der Chips so aufgebaut, dass Informationen bereits im System gespeichert und nichtflüchtig sind. Ein komplizierter Datentransfer zwischen Prozessor und Speicher ist nicht notwendig: Die Denkleistung erfolgt bereits auf dem Chip.

Chipentwicklung entlang der gesamten Wertschöpfungskette

Im Gegensatz zu den bisher verwendeten perovskitbasierten Materialien sind Hafniumoxid-basierte Speicher CMOS-kompatibel, bleifrei und bis hin zu sehr kleinen Technologieknoten skalierbar. Als einziges nichtflüchtiges Speicherkonzept werden ferroelektrische Speicher rein elektrostatisch betrieben und sind daher besonders stromsparend, da zum Schreiben von Daten nur noch die Umladeströme der Kapazitäten aufgewendet werden müssen.

Die Speicher- und Chipentwicklung wird hierbei entlang der gesamten Wertschöpfungskette von der angewandten Materialforschung, Bauelemententwicklung, Integrationsarchitektur über die IP-Generierung bis hin zu integrierten Systemen getrieben.

Dieser Artikel stammt von unserem Partnerportal Industry of Things.

(ID:47267150)