Fraunhofer-Institut für Elektronische Mikrosysteme und Festkörper-Technologien EMFTNeuromorphes 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.
Projekt TEMPO: Stromsparende Chips für neuromorphic Computing
Künstliche Intelligenz (KI) hat sich in den letzten Jahren dank der rapiden steigenden verfügbaren Rechenleistung erheblich weiterentwickelt. Die Steigerung der Rechenleistung durch die homogene Integration herkömmlicher von-Neumann-Rechensysteme ist jedoch aufgrund des erheblichen Energieverbrauchs und der beträchtlichen Zunahme der Bandbreite, die für die Datenübertragung zwischen dem riesigen Speicher und den lokalen Recheneinheiten erforderlich ist, weder energieeffizient noch sinnvoll.
Eine vielversprechende Lösung sind hier innovative neuronale Netzwerkstrukturen und neuartige Hardwarekonzepte. Analoge/mixed-signal neuromorphe Computerchips ebnen den Weg für energieeffiziente und nachhaltige KI auf der Basis von Compute-in-Memory (CIM) Techniken. Im Rahmen des ECSEL-Projekts TEMPO (Technology & Hardware for Neuromorphic Computing) arbeitet das Fraunhofer EMFT an der Entwicklung und Evaluierung von energieeffizienten neuromorphen Computerchips im 28-nm-Technologieknoten.
Verifikation des Deep-Learning-Algorithmus für die Implementierung einer neuromorphen Hardware
Seit kurzem setzen die Forscherinnen und Forscher neue nichtflüchtige Speicher (eNVM) ein, um die Synapsen in künstlichen neuronalen Netzen (ANNs) als programmierbare elektrische Eigenschaften, wie z. B. den elektrischen Leitwert, zu speichern. Gleichzeitig nutzt eine analoge Multiplikations-Akkumulations-Operation (MAC) die elektrischen Eigenschaften von eNVMs zur Multiplikation, während am Ausgang Ströme oder Ladungen akkumuliert werden.
Dies ermöglicht eine hohe Parallelität der Multiplikationen und minimiert den Bedarf an Datenbewegungen im Zusammenhang mit den Synapsen. Allerdings wird der analoge Betrieb durch Nichtlinearitäten der Schaltkreise, Rauschen und Prozessschwankungen beeinträchtigt, was zu einer begrenzten Rechengenauigkeit führt. Eine wesentliche Herausforderung besteht daher darin, den Durchsatz und die Energieeffizienz analoger neuromorpher Chips zu verbessern und gleichzeitig die Rechengenauigkeit beizubehalten, ohne andere Leistungsaspekte zu beeinträchtigen.
Die Forscherinnen und Forscher des Fraunhofer EMFT konzentrieren sich im Rahmen des Projekts auf die Entwicklung energieeffizienter analoger und Mixed-Signal neuromorpher Hardware, bei der ferroelektrische Feldeffekttransistoren (FeFET) und statische Direktzugriffsspeicher (SRAM) zum Einsatz kommen. Vorrangiges Ziel ist es, eine optimale Rechengenauigkeit zu erreichen. Dank der fundierten Expertise des Teams in der Chip-Entwicklung sowie in der Erstellung von hardwarebasierten KI-Algorithmen und Demonstratoren für die Bilderkennung lassen sich energieeffiziente, anwendungsspezifische neuromorphe Chips für mobile und tragbare Sensorsysteme herzustellen.
Das Projekt wird von der EU unter dem Förderkennzeichen 826655 als Teil der ECSEL-Initiative und vom BMBF unter dem Förderkennzeichen 16ESE0407 gefördert.