Neuromorphe Memristive VLSI-Architekturen für Kognition (NMVAK)

• Antragsteller: Professor Dr. Martin Ziegler, seit 4/2020
• Fachliche Zuordnung: Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
• Förderung: Förderung von 2020 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 432009531

Die Umsetzung von biologisch inspirierten "spiking neural Networks" (SNN) wird durch die von Neumann-Computerarchitekturen charakteristische exponentiell zunehmende Diskrepanz zwischen Prozessorgeschwindigkeit und Speicherbandbreite stark beeinträchtigt. Für die Nachbildung von Verarbeitungselementen neuronaler Netzwerke (Neuronen und Synapsen) wird daher eine hohe Speicherausnutzung während des Zugriffs und der Aktualisierung ihrer Zustandsgrößen benötigt. Dieser sogenannte "von Neumann Flaschenhals" limitiert die Nachbildung von großen Netzwerken in Echtzeit und erschwert ihre modulare Erweiterbarkeit. Im Gegensatz dazu können hochparallele und energieeffiziente neuromorphe analoge (VLSI) Systeme, durch die Kolokalisation von Speicher und Berechnung ohne Beeinträchtigung der Simulationszeit erweitert werden.Das Ziel dieses Projektvorhabens ist die Entwicklung von vollintegrierten CMOS/Memristivsystemen, die für die Nachbildung von lernenden neuronalen Netzen optimiert sind. Für die Implementierung biologisch-inspirierter Lernalgorithmen soll das stochastische Schaltverhalten von binären RRAM-Bauelementen verwendet werden. Die Bauelemente werden in modernste analoge CMOS Schaltungen, die unterhalb der Schwellspannung operieren, integriert. Diese Kombination soll zur Schaffung von Lernsystemen mit beispiellos niedrigem Stromverbrauch führen, die zudem in Echtzeit arbeiten und das Online-Lernen erlauben. Hierfür sollen innerhalb des Projektes zunächst die memristiven Bauelemente eingehend charakterisiert werden. Als memristive Bauelemente werden HfOx basierte CMOS-integrierte RRAM Zellen verwendet, die über eine binäre Schaltcharakteristik verfügen. Ziel ist es ein mathematisches Modell des stochastischen Schaltverhaltens zu entwickelt, welches für die Realisierung präziser SPICE-Simulationen von hybriden CMOS/Memristorschaltungen sowie für die Simulation von realistischen SNNs verwendet werden kann und das Hardware-Schaltungsdesign unterstützen. Die Kernaufgabe des Projekts ist der Entwurf und die Herstellung zweier hybrider memristiver/CMOS-Chips. Das finale System soll größtmögliche Flexibilität hinsichtlich Netzwerkarchitekturen und der Realisierung von gerichteten und rekurrenten Netzwerkstrukturen ermöglichen. Die Lern-und Kognitivleistungen der Schaltungen sollen durch Klassifizierungs-, Mustererkennungs-, Mustervervollständigungs- und Mustertrennungsaufgaben eingehend geprüft werden.Die in diesem Projekt gesammelten Ergebnisse und entwickelten Technologien werden einen maßgeblichen Einfluss auf neuromorphe Technologien haben, indem sie innovative Funktionalitäten von memristiven Bauelementen in die neuromorphe Schaltungstechnik integrieren. Damit hat dieses Projektvorhaben ein hohes Potenzial, einen wesentlichen Beitrag zum aufstrebenden Bereich von neuromorphen, memristiven, intelligenten Systemen zu leisten, mit dem Ziel eines kognitiven Systems für das "Edge-Computing".

• DFG-Verfahren: Sachbeihilfen
• Ehemalige Antragstellerin: Professorin Elisabetta Chicca, Ph.D., bis 4/2020