Detailseite
Projekt
Neurotransistor-basiertes Memristives Crossbar-Memcomputing (NeuroMCross)
Antragsteller
Professor Dr.-Ing. Thomas Mikolajick; Dr.-Ing. Stefan Slesazeck; Professor Dr. Ronald Tetzlaff
Fachliche Zuordnung
Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
Förderung
Förderung seit 2020
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 441898364
Vom Gehirn inspirierte gepulste neuronale Netze (SNNs) arbeiten parallel und asynchron über räumlich und zeitlich diskrete Pulse zwischen miteinander verbundenen Neuronen. Durch die Nachahmung kapazitiver neuronaler Netze, die kapazitive Mem-Elemente laden und entladen, wodurch Energie von/zu den Signalquellen abgezogen oder zurückgeführt wird, kann der Energieverbrauch im Vergleich zu herkömmlichen künstlichen neuronalen Netzstrukturen (ANN), die massive Matrix-Vektor-Multiplikationen durchführen, erheblich gesenkt werden. In dieser Hinsicht können Neuronen auf Basis von Memtransistoren, die sowohl memristive/memkapazitive und Transistorstrukturen enthalten, grundlegendes Verhalten wie z.B. Leaky-Integrate-and-Fire (LIF) ermöglichen. Damit lässt sich ein neuromorpher Memcomputing-Baustein für vielseitige SNN-Architekturen bilden. In diesem Projekt zielen wir auf die Entwicklung einer neuartigen Neuro-Crossbar-Struktur ab, die die Funktionalitäten der einzelnen Komponenten der memristiven/memkapazitiven Crossbar und des Neurotransistors auf der Basis von Al2O3/Nb2O5-Bauelementen, die im vorangegangenen BioMCross-Projekt entwickelt wurden, kombiniert und erweitert. Im Gegensatz zu früheren Memtransistor-Ansätzen stellen wir eine integrierte memkapazitive Crossbar-Struktur mit mehreren Eingängen am Gate eines Si-basierten Transistors her. Damit wird ermöglicht, einen kontrollierten 1D- und 2D-Perkolationspfad entlang des Transistorkanals zu schaffen. Die integrierte LIF-Neuro-Crossbar-Struktur beinhaltet eine hohe Komplexität, wie z. B. eine vollständig verbundene Schicht für mehrere Eingänge, eine Alles-oder-Nichts-Merkmalextraktion für 1D-Perkolation oder ODER-verknüpfte 2D-Perkolationspfade sowie eine rekurrente Verbindung in einer einzigen Memtransistor-Struktur. Zu diesem Zweck wird die vorgeschlagene Arbeit mehrere wesentliche Aspekte abdecken: (i) die Modellierung der Neuro-Crossbar-Elemente mittels 3D TCAD-Simulation, (ii) die Neuro-Crossbar-Fertigung und Parameteroptimierung durch Integration des memkapazitiven Al2O3/Nb2O5 Stapels in die Transistorstrukturen, (iii) die Modellierung des Neuro-Crossbar-Schaltungssystems und die Analyse des Lese-/Schreibvorgangs und (iv) das Design von zeitlich kodierten Signalen für rekurrente SNNs, hardwarebewusstes Offline-Training, Leistungsoptimierung sowie die Implementierung von lokalen Lernregeln. Schließlich werden wir verschiedene Zeitseriendatensätze untersuchen, um die Realisierung von rekurrenten SNNs, die mit Neuro-Crossbar-Strukturen verbunden sind, zu demonstrieren und die Leistung des Systems im Vergleich zu konventionellen CMOS-basierten SNN- und rein memristiven ANN-Beschleunigersystemen zu bewerten. Diese Forschung zielt darauf ab, den Stand der Technik um einen neuen Neuro-Crossbar-Baustein zu erweitern und ein umfassendes Verständnis für die Machbarkeit der praktischen Realisierung von memkapazitiven SNN-Systemen auf der Grundlage hochintegrierter Bauelementekonzepte zu schaffen.
DFG-Verfahren
Schwerpunktprogramme
Mitverantwortlich
Dr.-Ing. Benjamin Max
