Schaltungsentwicklung für Neuromorphes Computing

Künstliche Intelligenz (KI) hat sich in den letzten Jahren aufgrund der dramatisch gestiegenen Rechenleistung schnell entwickelt. Dennoch bestehen bei der Implementierung fortschrittlicher KI Algorithmen bei vielen Applikationen Limitierungen der Einsatzmöglichkeiten durch begrenzte Resourcen wie Energie und Rechenkapazität. Die herkömmliche von-Neumann Architektur bietet dafür keine Lösungsmöglichkeiten. Schaltungsentwicklung für Neuromorphes Computing hat Potential dazu, dieses Problem zu lösen. 

Im neuromorphen Computing wird durch die Verlagerung der Recheneinheiten nahe an den Speicherspeicher die Datenprozessierung in der Nähe oder sogar im Speicher (Near-/In-Memory Computing) ermöglicht, und so durch Vermeidung von massiven Datenbewegungen die Energieeffizienz verbessert. Die Nutzung von Spike-Neuronale-Netzwerken (SNN), die die Signale ereignisbasiert verarbeiten und Durchführung von Klassifikationsaufgaben direkt im Sensor am Edge ermöglichen, wird weitere Erhöhung der Energieeffizienz erreicht.

Die Kombination von Near-/In-Memory Computing und SNN zur Realisierung einer verwendbaren intelligenten Sensorplattform steht vor verschiedenen Herausforderungen im Bereich der Soft- und Hardware. Das Fraunhofer EMFT Circuit Design Team stellt sich diesen Herausforderungen mit seinen Kompetenzen für Chip Entwicklung für neuromorphes Computing:

• Entwurf und Charakterisierung von CIM-basierten Mixed-Signal-KI-Beschleunigern mit nichtflüchtigen Speichern (eNVM) 
• Skalierbare Digital-on-Top-SNN-Hardwarearchitekturen für parallele Verarbeitung von Mixed-Signal-Spiking-Neuronen mit maßgeschneiderten digitalen Schaltungen 
• Co-Simulation für KI-Software und Zielhardware

Diese Kompetenzen im Bereich Schaltungsentwicklung für neuromorphes Computing stehen für Ihre Anwendungsthemen am Fraunhofer EMFT zur Verfügung, nehmen Sie Kontakt mit uns auf!