Neuromorphic Computing

Die zunehmende Digitalisierung treibt die Anforderungen an elektronische Hardware stetig an. Geschwindigkeit, Leistungsfähigkeit, Miniaturisierung und Energieeffizienz werden zunehmend wichtiger, wenn es darum geht, Anwendungen im Bereich Big Data und Künstlicher Intelligenz (KI) zu ermöglichen.

Einen vielversprechenden Lösungsansatz bietet das sogenannte Neuromorphic Computing, bei dem die selbstorganisierende und selbstlernende Natur des Gehirns nachgebildet werden soll. Das Fraunhofer IPMS entwickelt vor allem für Anwendungen im Edge-Bereich Materialien, Technologien und komplette Hardware-Lösungen mit hoher Energieeffizienz.

Vorteile von Neuromorphic Computing

Die technologischen Entwicklungen werden in verschiedenen Ausbaustufen verfolgt. Die sogenannten „tiefen neuronalen Netze“ (deep neural networks, DNN) sind mit Hilfe klassischer Technologien (z.B. SRAM oder Flash-basiert) schon in der Anwendung angekommen und bilden zunächst die Parallelität und Effizienz des Gehirns nach. Eine weitere Miniaturisierung und Reduzierung des Energieverbrauchs für Edge-Anwendungen ist unter Verwendung neuer, innovativer Technologien möglich. Die darauffolgende Generation der sogenannten „Spiking Neural Networks“ (SNN) versucht, zusätzlich die zeitliche Komponente der Funktionalität von Neuronen und Synapsen physikalisch nachzubilden, was eine noch höhere Energieeffizienz und Plastizität ermöglicht. Auch hier sind innovative Technologiekonzepte gegenüber klassischen Technologien vielversprechend.

Für beide Generationen neuromorpher Hardware erforscht das Fraunhofer IPMS Crossbar-Architekturen, die auf nichtflüchtigen Speichern, den ferroelektrischen Feldeffekttransistoren beruhen. Dies geschieht innerhalb verschiedener europäischer (TEMPO, ANDANTE, STORAIGE) und Fraunhofer-intern geförderter Projekte. Besonders innovative Materialforschung für zukünftige SNNs mittels Li-basierter Systeme wird innerhalb des sächsischen Projektes MEMION betrieben.