Mikroelektronik für Neuromorphic Computing

Das menschliche Gehirn und seine neuronalen Netze mit Millionen Nervenzellen haben sich Forschende zum Vorbild genommen, um sie in Schaltkreisen neuromorpher Chips abzubilden. Dabei werden neuronale Netze als Algorithmen für integrierte Schaltungen genutzt, um neurobiologische Architekturen zu imitieren. Die Berechnung der Daten erfolgt parallel in verteilten Speichern und nicht zentral wie in herkömmlichen CPUs, also Central Processing Units. Damit sind neuromorphe Chips wesentlich schneller und effizienter als bisherige Prozessoren.

Fraunhofer EMFT -Forschende setzen ihre Kompetenzen im Bereich Mikro- und Nanotechnologien ein, um neue neuromorphe Systeme für Halbleiterchips zu entwickeln. Beispielsweise im EU-Projekt NeurONN entwickelt das Fraunhofer EMFT mit sechs europäischen Partnern eine neurologisch inspirierte Computerarchitektur. Dort kommen als Synapsen Memristoren – aus memory und resistor, Speicher und elektrischer Widerstand - auf Basis von neuen 2D-Nanomaterialien zum Einsatz. Im EU-Projekt TEMPO setzt das Circuit Design -Team des Fraunhofer EMFT wiederum neue integrierte Speichertechnologien in innovativen Konzepten für die Realisierung analoger und digitaler neuromorpher Schaltungen ein. 

Weil beim Neuromorphic Computing der bisherige aufwändige Datentransfer zwischen dem Prozessor und dem Speicher entfällt, werden der Stromverbrauch für komplexe Rechen- und Übertragungsvorgänge sowie die Latenzzeiten minimiert. Das macht die Technologie vor allem für KI-Anwendungen interessant und kann helfen, eine der drängendsten Herausforderungen der Digitalisierung zu lösen: den enormen Stromverbrauch von Rechenzentren.

Zum Einsatz sollen die neuromorphen Chips überall dort kommen, wo Energieeffizienz und niedrige Latenzzeiten besonders wichtig sind, zum Beispiel in der Medizintechnik bei der Analyse und Verarbeitung von Biosignalen wie beim EKG oder EEG, oder bei Sprachanalyse und Hörgeräten. Auch bei der Verarbeitung von Sensordaten – relevant z.B. beim Autonomen Fahren, in Weltraumanwendungen, beim Condition Monitoring oder bei so genannten »elektronischen Nasen« für Gas- und Geruchsdetektion – kann die Signalverarbeitung und KI-unterstützte Datenanalyse in mobilen und portablen Sensorsystemen wesentlich energieeffizienter werden.