Co-Optimierung von Schaltkreisen und Bauelementen für ein zuverlässiges FeFET-basiertes Netzwerk für KI-Rechnungen unter Berücksichtigung der Variabilität

• Antragsteller: Professor Dr.-Ing. Hussam Amrouch, Ph.D.; Professor Dr.-Ing. Ralf Brederlow
• Fachliche Zuordnung: Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 547377347

Der Einsatz ferroelektrischer Feldeffekttransistoren (Ferroelectric Field-Effect Transistors, FeFETs) stellt einen interessanten neuen Ansatz zur Verbesserung der Leistungsfähigkeit von Computern insbesondere für Rechenanwendungen im Bereich der künstlichen Intelligenz dar. Die Fähigkeit von FeFETs, den internen Leitwert und die Stromsteuerbarkeit zu nichtflüchtig zu programmieren, kann für die Emulation synaptischer Gewichte eingesetzt werden und dort diese grundlegende Komponente eines an die Biologie angelehnten Nervensystems darstellen. Hier stellt die Variabilität der elektrischen Eigenschaften von FeFETs eine große Herausforderung dar, da sie zu Genauigkeitseinbußen für die Ergebnisse dieser Netzwerke führen kann. Einerseits beeinträchtigt die Variabilität zur Entwurfszeit die Fähigkeit, den gewünschten analogen Zustand der Synapsen genau zu programmieren. Infolgedessen beeinträchtigt die Variabilität die Leistung und Zuverlässigkeit von FeFET-basierten Schaltungen, was zu Berechnungsfehlern und letztendlich zu verringerter Genauigkeit der auszuführenden neuronalen Netze führen kann. Um zuverlässige KI-Berechnungen mit FeFETs zu ermöglichen, zielt dieser Forschungsantrag darauf ab, Methoden zur Erstellung von variationsresistenten NNs zu untersuchen. Dazu sollen Bauelement-Schaltungs-Ko-Optimierungsmethoden angewandt werden, um die schädlichen Auswirkungen von Prozessvariationen, Temperatur und inhärenter Stochastik zu limitieren. Unser Forschungsvorschlag umfasst mehrere Abstraktionsebenen: (1) Bauteilphysik: Wir werden neue Methoden zur Modellierung der Auswirkungen verschiedener Variabilitätsquellen auf FeFETs erforschen. Dazu werden TCAD-Simulationsansätze, die eng mit physikalisch basierten FE-Modellen gekoppelt sind, entwickelt, und dann eine genaue Validierung dieser Simulationen anhand experimenteller Messungen auf 22nm- und 28nm-FeFET-Wafern durchgeführt. (2) Schaltungsentwurf: Wir werden neuartige variabilitätstolerante Schaltungsentwurfstechniken erforschen (über konventionelle Crossbar-Architekturen hinaus), um Variabilitätseffekte auszugleichen und so die Zuverlässigkeit von FeFET-basierten neuronalen Netzwerken zu erhöhen. (3) Entwicklung von Algorithmen: Wir werden innovative Methoden für den Aufbau von variabilitätssensiblen NN-Modellen erforschen, welche Schaltungs- und Lernkonzepte sowie das proaktive Training von NNs in Gegenwart von variabilitätsbedingten Fehlern ermöglichen. (4) ASIC-Validierung: Wir werden FeFET-ICs bauen und testen, um all unsere Modelle zu validieren, die Wirksamkeit unserer Schaltungsentwurfstechniken zu demonstrieren und die Robustheit unserer variabilitätssensitiven NNs zu quantifizieren. Durch die ganzheitliche Betrachtung dieser vier grundlegenden Ebenen soll unser Projekt den Weg für eine erfolgreiche Integration von FeFETs in NNs ebnen. Open Source: Wir verpflichten uns, die von uns entwickelten Methoden zusammen mit den validierten FeFET-Modellen öffentlich zugänglich zu machen.

• DFG-Verfahren: Sachbeihilfen