14.11.2022

Effizientes Rechnen mit neuromorphen Chips

EU-Projekt will neuartiges Bauelement industrietauglich machen.

Für viele technische Systeme ist die automatische Muster­erkennung essenziell. Zum Beispiel beim autonomen Fahren. Aktuell wird diese Arbeit von Software erledigt, die auf klassischen Computersystemen läuft. Doch die sind energie­hungrig und nicht beliebig verklei­nerbar. Neuromorphe Chips sollen das ändern. Ähnlich unserem Gehirn sollen sie in Zukunft selbst­lernend Muster erkennen und das mit einem Bruchteil der Energie, die herkömmliche Systeme dafür benötigen. Katrin und Helmut Schultheiß vom Helmholtz-Zentrum Dresden-Rossen­dorf (HZDR) haben dafür einen innovativen Ansatz gefunden. Jetzt wollen sie gemeinsam mit einer internationalen Forschungs­gruppe einen Prototyp für die industrielle Fertigung entwickeln. Dazu haben sie das EU-geförderte Projekt NIMFEIA ins Leben gerufen.

Abb.: Um Mikro­wellen-Datenströme zu verarbeiten, werden in einer...
Abb.: Um Mikro­wellen-Datenströme zu verarbeiten, werden in einer magnetischen Scheibe unter­schiedliche magne­tische Wellen angeregt. Die nichtlineare Wechsel­wirkung dieser Magnetwellen führt zu einem charak­teristischen Ausgabesignal, das eine Klassifi­zierung von zeitlichen Mustern erlaubt. (Bild: H. Schultheiss, HZDR)

„Die Von-Neumann-Architektur klassischer Computer ist nicht dazu geeignet das zu vollbringen, was unser Gehirn leisten kann“, erklärt Helmut Schultheiß. Er leitet die Emmy Noether-Gruppe „Magnonik“ am Institut für Ionenstrahl­physik und Material­forschung. „Deshalb gibt es die Forschungsfelder des neuromorphen, unkonven­tionellen oder gehirn­inspirierten Computing. Hier entwickeln Wissen­schaftlerinnen und Wissenschaftler Techniken, die auf physika­lischen Effekten basieren und wie unser Gehirn aus Datenströmen verschiedene Informationen heraus­ziehen können.“ Eine Möglichkeit dafür ist, das Gehirn in herkömmlicher Computer­technologie nachzubauen. Doch das ist sehr ressourcen­aufwändig. Denn unser Gehirn hat etwa einhundert Milliarden Schaltstellen: die Neuronen. Und diese sind mit unzähligen Leitungen, den Synapsen, unter­einander verbunden. Das lässt sich kaum auf einem Silizium­chip abbilden.

„Deshalb haben wir einen völlig neuen Ansatz entwickelt“, erläutert Katrin Schultheiß, die dafür das Projekt NIMFEIA ins Leben gerufen hat. Die Abkürzung steht für „Nonlinear Magnons for Reservoir Computing in Reciprocal Space“. Ein Thema, an dem sie zusammen mit ihrem Mann bereits seit 2015 forscht. „Wir nutzen mikrometer­kleine magnetische Scheiben, in denen wir durch nichtlineare Prozesse magnetische Wellen erzeugen. Damit bilden wir die Schaltstellen im Gehirn nach.“ Dabei haben sie und ihre Forschungs­gruppe entdeckt, dass sich durch die Wechsel­wirkung verschiedener magnetischer Wellen Informationen innerhalb der Scheibe verarbeiten lassen. Und zwar extrem effizient. „Dass sich damit Muster erkennen lassen, haben wir bereits in Labor­experimenten erfolgreich demonstriert“, fasst Helmut Schultheiß zusammen. „Ganz neu für uns ist jetzt, dass unsere Forschung verstärkt in Richtung industrielle Anwendung geht. Denn jetzt wollen wir beweisen, dass unsere Idee auch industrie­kompatibel ist und dass wir einen Prototyp auf einem Standardwafer der Chip­industrie entwickeln können.“

Das mit drei Millionen Euro von der EU geförderte Projekt ist auf vier Jahre angelegt. Die Koor­dination liegt beim HZDR. Unterstützt werden die Wissen­schaftler von Kollegen der ;Université Paris-Saclay, des Centre National de la Recherche Scientifique CNRS, der Johannes Gutenberg-Universität Mainz und der Stichting Radboud Universiteit. Außerdem gehören mit Infineon Techno­logies Dresden und der Global­Foundries Dresden Module One auch zwei Industriepartner zum Team. „Ganz besonders stolz sind wir darauf, dass wir mit unserer Idee sowohl Infineon als auch GlobalFoundries überzeugen konnten, bei dem Projekt dabei zu sein“, sagt Katrin Schultheiß.

Dass ihr Ansatz großes Anwendungs­potenzial hat, da sind sich Katrin und Helmut Schultheiß sicher. Denn dank der effizienten Muster­erkennung bei gleichzeitig sehr niedrigem Energie­verbrauch ließen sich damit zum Beispiel die Daten von Abstands- und Geschwindigkeits­messungen direkt an den Sensoren autonomer Fahrzeuge ermitteln.

HZDR / JOL

Weitere Infos

Sonderhefte

Physics' Best und Best of
Sonderausgaben

Physics' Best und Best of

Die Sonder­ausgaben präsentieren kompakt und übersichtlich neue Produkt­informationen und ihre Anwendungen und bieten für Nutzer wie Unternehmen ein zusätzliches Forum.

Weiterbildung

Weiterbildungen im Bereich Quantentechnologie
TUM INSTITUTE FOR LIFELONG LEARNING

Weiterbildungen im Bereich Quantentechnologie

Vom eintägigen Überblickskurs bis hin zum Deep Dive in die Technologie: für Fach- & Führungskräfte unterschiedlichster Branchen.

Meist gelesen

Themen