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.