Stromsparende Chips für neuromorphic Computing

Neuromorphes Computing gilt als Schlüsseltechnologie für künftige KI-Anwendungen. Als Vorbild dient das ausgeklügelte Nervennetz unseres menschlichen Gehirns. Eine zentrale Herausforderung für die Forschung ist dabei der sehr hohe Energieverbrauch der Chips für die erforderlichen komplexen Rechenleistungen. Im Rahmen des ECSEL-Projekts TEMPO (Technologie & Hardware für Neuromorphic Computing) arbeitet das deutsche Konsortium mit Beteiligung der Fraunhofer EMFT an der Entwicklung und Evaluierung stromsparender Neuromorphic Computing Chips im 22 nm FDSOI-Technologieknoten.

© Sikov - stock.adobe.com

Die Forschenden setzen dabei neue integrierte Speichertechnologien in innovativen Konzepten für die Realisierung analoger und digitaler neuromorpher Schaltungen ein. Die Speicher- und Chipentwicklung wird hierbei durch alle Verwertungsebenen von der angewandten Forschung über die IP-Generierung bis hin zu integrierten Systemen getrieben. Die im Projekt entworfenen und gefertigten Chips sollen v.a. für Klassifikationsaufgabestellungen in Bilderkennungssystemen z.B. für das autonome Fahren als auch für die Verarbeitung weiterer Sensordaten wie von Radarsystemen Einsatz finden.

© Fraunhofer EMFT/ Bernd Müller
Verifikation des Deep-Learning-Algorithmus für die Implementierung einer neuromorphen Hardware

Im Rahmen des Projektes werden sich die Beiträge der Fraunhofer EMFT auf die Entwicklung von Schlüssel-IPs für die analoge und Mixed-Signal Signalverarbeitung für neuromorphe Strukturen fokussieren. Ziel ist es, für bestehende mobile und portable Sensorsysteme eine Signalverarbeitung zu entwickeln, die eine Reduzierung der Leistungsaufnahme um einige Größenordnungen ermöglicht.

Das Projekt wird unter dem Förderkennzeichen 826655 im Rahmen des ECSEL-Initiative durch die EU und mit dem Förderkennzeichen 16ESE0407 durch das BMBF gefördert.

Das könnte Sie auch interessieren:

Leistungsangebot: IC-Design und Layout

Die Energieeffizienz des Internet of Things steigern

Energieeffizientes neuromorphes Computing