Entwurf eines zuverlässigen neuromorphen Systems auf Basis von Spintronik für Green KI

• Antragsteller: Professor Mehdi B. Tahoori, Ph.D.
• Fachliche Zuordnung: Rechnerarchitektur, eingebettete und massiv parallele Systeme ; Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 545614777

Die Umstellung von KI-Inferenz- und -Trainingsprozessen von den derzeitigen Cloud-basierten Infrastrukturen auf eingebettete Architekturen ist mit großen Herausforderungen verbunden, insbesondere im Hinblick auf Energieeffizienz, geringeren Flächenbedarf, Rekonfigurierbarkeit, hohe Vorhersagegenauigkeit und Erklärbarkeit der Ergebnisse. Herkömmliche Hardware- Implementierungen neuronaler Netze sind nicht in der Lage, die Unsicherheit ihrer Vorhersagen effektiv abzuschätzen, was zu übermäßig zuverlässigen Ergebnissen führt. Die Abschätzung der Unsicherheit ist für sicherheitskritische Anwendungen, wie sie beim autonomen Fahren oder bei medizinischen Diagnose- und Behandlungsanwendungen eingesetzt werden, von entscheidender Bedeutung. Bayes'sche neuronale Netze sind wirksame Ansätze für die Unsicherheitsabschätzung. Sie sind jedoch sehr rechenintensiv, verbrauchen viel Energie und benötigen erhebliche Speicherressourcen. Computation-in-Memory (CiM)-Architekturen, die neue resistive nichtflüchtige Speicher wie z. B. spintronische Bauelemente nutzen, helfen bei der Bewältigung dieser Herausforderungen, doch ihre realistische Hardware-Implementierung bringt ihre eigenen Probleme mit sich. Dieses Projekt zielt darauf ab, hochpräzise Bayes'sche Neuronale Netze mit extrem niedrigem Energieverbrauch und Flächenbedarf zu entwickeln. Die Ziele des Projekts sind in der Tat - die Entwicklung und der Einsatz innovativer spintronischer Bauelementelösungen, - der Aufbau neuer kostengünstiger Schaltkreisdesigns und Architekturen, die mit angepassten Bayes'schen Algorithmen kodiert sind, die für den Einsatz in Edge-Anwendungen geeignet sind. Da die geplante Implementierung aufgrund der zahlreichen Beschränkungen der neuen Technologien, insbesondere im Hinblick auf Stochastizität und Variabilität, eine ernsthafte Herausforderung darstellt, kann die neue Architektur die Vorteile dieser Beschränkungen nutzen, anstatt sie zu beheben, wie es der derzeitige Entwurfsprozess ist. Schließlich schlagen wir auch neuartige Lösungen zur Verbesserung der Testbarkeit und Zuverlässigkeit auf dem Chip vor, um eine bessere Annahme der neuen Technologien in skalierbaren Architekturen zu unterstützen, die inhärent stochastische Komponenten enthalten. Nicht zuletzt ist es unser Ziel, über die multidisziplinäre Forschung an fortschrittlichen eingebetteten Hardware- und Softwarearchitekturen für KI hinaus eine starke europäische Partnerschaft zwischen zwei hochrangigen Forschungszentren und Universitäten aufzubauen, die auf internationaler Ebene anerkannt ist.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Frankreich
• Partnerorganisation: Agence Nationale de la Recherche / The French National Research Agency
• Kooperationspartnerin: Professorin Lorena Anghel, Ph.D.