Unser Datenhunger ist ungestillt. Schon heute sind 90 % der Menschen in Deutschland online, Tendenz steigend. Zusätzlich senden und empfangen Maschinen, Autos und technische Objekte durch die zunehmende Digitalisierung ununterbrochen Daten. In diesem Jahr wird ein Datenverkehr von 172 Terabit pro Sekunde prognostiziert - das entspricht pro Stunde der Datenmenge aller weltweit existierenden Kinofilme. Diese gigantische Datenmenge zu bewältigen und sinnvoll auszuwerten erfordert zunehmend Big-Data-Anwendungen und Künstliche Intelligenz. So rücken neuartige ressourcen- und energieeffiziente Rechenarchitekturen in den Fokus – insbesondere das sogenannte Neuromorphic Computing. Dabei ist das Ziel, die Funktionalität des energieeffizientesten und flexibelsten Speichers der Welt – dem Gehirn – nachzubilden und einen hohen Grad an Plastizität ermöglichen.

Vorteile der neuromorphen Architektur

»Klassische Computer führen Berechnungen sequentiell aus und bearbeiten die Daten in einem zentralen Speicher. Das bedeutet, dass die Rechenleistung von der Datenübertragungsrate zwischen Prozessor und Speicher abhängt. Dagegen ist unser Gehirn ein Multitaskingmeister – es verarbeitet eine große Menge an Daten gleichzeitig und nutzt parallele neuronale Netze. Dabei ist es extrem ressourcen- und energieeffizient. Neuromorphe Computer versuchen, diese Architektur nachzubilden. Besonders aussichtsreich sind Crossbar-Architekturen, die auf nichtflüchtigen Speichern wie ferroelektrischen Feldeffekttransitoren beruhen« erklärt Dr. Wenke Weinreich, Bereichsleiterin am Center Nanoelectronic Technologies des Fraunhofer-Instituts für Photonische Mikrosysteme IPMS in Dresden. Zusammen mit ihrem Team entwickelt sie diese nichtflüchtigen Speicher und integriert sie in neuromorphe Chips, die besonders hohe Rechenleistungen besitzen und dabei extrem energiesparend arbeiten.

Entwicklungen am Fraunhofer IPMS

Das Fraunhofer IPMS arbeitet an neuen, nichtflüchtigen Speichertechnologien auf Basis von ferroelektrischem Hafniumdioxid (HfO₂) für analoge und digitale neuromorphe Schaltungen. Ferroelektrische Materialien zeichnen sich durch eine Änderung ihrer Polarisation bei Anlegen eines elektrischen Feldes aus. Nach Abschalten der Spannung bleibt der Polarisationszustand erhalten. Mittels dieser ferroelektrischen Feldeffekttransistoren (FeFET) auf Basis von Hafniumdioxid im 28- bzw. 22-nm-Technologieknoten können die für Deep-Learning Algorithmen notwendigen Gewichtswerte nicht nur direkt im Chip abgespeichert, sondern auch mit diesen gerechnet werden (sog. In-Memory-Computing). Ähnlich dem menschlichen Gehirn ist die Hardware-Architektur der Chips so aufgebaut, dass Informationen bereits im System gespeichert und nichtflüchtig sind. Ein komplizierter Datentransfer zwischen Prozessor und Speicher ist nicht notwendig; die Denkleistung erfolgt bereits auf dem Chip.

Im Gegensatz zu den bisher verwendeten perovskitbasierten Materialien sind Hafniumoxid-basierte Speicher CMOS-kompatibel, bleifrei und bis hin zu sehr kleinen Technologieknoten skalierbar. Als einziges nichtflüchtiges Speicherkonzept werden ferroelektrische Speicher rein elektrostatisch betrieben und sind daher besonders stromsparend, da zum Schreiben von Daten nur noch die Umladeströme der Kapazitäten aufgewendet werden müssen. Die Speicher- und Chipentwicklung wird hierbei entlang der gesamten Wertschöpfungskette von der angewandten Materialforschung, Bauelemententwicklung, Integrationsarchitektur über die IP-Generierung bis hin zu integrierten Systemen getrieben.

Das Fraunhofer IPMS präsentiert seine Entwicklungen auf dem Technology Unites Global Summit, einer internationalen Leitmesse der Mikroelektronikbranche. Diese findet vom 15. bis 19. Februar 2021 in digitaler Form statt. Zusätzlich können sich Besucher bei einer »Hosted Session« zum Thema »Advanced technologies and hardware for next generation computing« am 17. Februar um 9 Uhr über die Technologien des Fraunhofer IPMS informieren und bei einer Diskussionsrunde mit den Forschenden ins Gespräch kommen.