Biologisch inspirierte Elektronik

MemWerk – memristive Werkstoffe für die neuromorphe Elektronik

1. Kurzdarstellung

Die stetig fortschreitende Digitalisierung und der immer weitreichendere Einsatz von künstlicher Intelligenz verändern unsere Gesellschaft, Technologien und die Wissenschaft in nie dagewesener Weise. Eine Entwicklung mit jedoch immer höherem Energiebedarf, die wesentlich zur Erhöhung von CO₂-Emissionen beiträgt. Der Energieverbrauch unserer IT-Welt wird damit immer mehr zum limitierenden Faktor der Digitalen Revolution und zu einer immensen Belastung für unser Klima. Derzeitige Technologien können dieses Problem schwer lösen und es bedarf neuer innovativer Ansätze. Hierbei sind neuromorphe Elektroniken, bei denen biologische Lern- und Gedächtnisprozesse elektronisch nachgebildet werden, ein vielversprechender Ansatz.  Dieser Ansatz wird im Projekt MemWerk – memristive Werkstoffe für die neuromorphe Elektronik – durch die Carl-Zeiss Stiftung aus Mitteln des Programms Durchbrüche an der TU Ilmenau gefördert. In dem auf 5 Jahre angelegten interdisziplinären Verbundprojekt erforschen Wissenschaftlerinnen und Wissenschaftler aus der Werkstoffwissenschaft, Informatik, Elektrotechnik und Informationstechnik wie sich Informationsverarbeitung biologischer Systeme in energieeffiziente technisch Systeme überführen lässt. Hierbei sollen die Grundlagen memristiver Werkstoffe für eine maßgeschneiderte Herstellung von memristiven Systemen für die bio-inspirierte (neuromorphe) Elektronik erforscht werden. Weitere Informationen zu dem Thema finden sie auf www.memwerk.de.

2. Motivation

Die digitale Revolution (DR) und der weitreichende Einsatz von künstlicher Intelligenz (KI) bilden einen Trend, der die Gesellschaft, die Technologie und die Wissenschaft in nie dagewesener Weise verändert. Eine der aus wissenschaftlich-technischer Sicht größten Herausforderungen hierbei ist die Bereitstellung einer auf die speziellen Bedürfnisse von DR und KI ausgerichteten und zudem extrem energieeffizienten IT-Hardware. Leider sind die heutigen Konzepte der IT-Hardware (Von-Neumann-Computer auf der Basis von Si-CMOS [1] für zahlreiche DR- und KI-Anwendungen bei Weitem nicht optimal und verbrauchen zudem deutlich zu viel Energie. Aktuelle Hochrechnungen zeigen, dass in ca. 15 Jahren die weltweite Produktion an elektrischer Energie nicht mehr ausreichen würde, den Leistungsbedarf der dann im Einsatz befindlichen IT-Hardware zu decken [2]. Einen vielversprechenden Ansatz zur Lösung des Problems bilden von der Biologie inspirierte neuromorphe Systeme zur Informationsverarbeitung, die auf Materialien mit memristiven Eigenschaften basieren. Die dafür erforderlichen Werkstoffe sind von denen in heutiger IT-Hardware fundamental verschieden, neuartig und ermöglichen mikroelektronische Komponenten mit einer ungleich besseren Energieeffizienz. An dieser Stelle setzt unser Vorhaben an. Im Mittelpunkt steht der Werkstoff als zentraler Baustein der Informationsverarbeitung und -speicherung (siehe Abb. 1). 

[1] Complementary metal-oxide-semiconductor. Als (Si-)CMOS versteht man allgemein den Halbleiterprozess, der zur Realisierung von integrierten digitalen wie analogen Schaltungen verwendet wird.

[2] Rebooting the IT Revolution: A Call to Action, www.src.org/newsroom/rebooting-the-it-revolution.pdf

Memristive Werkstoffe können ihre elektronischen Eigenschaften (z.B. elektrischer Widerstand) durch äußere Signale (z.B. Strom oder Spannung, Licht, Temperatur, etc.) verändern, wobei die Änderung auch nach Wegfall des Signals erhalten bleibt. Damit verfügen sie über einen Gedächtniseffekt ähnlich zu Synapsen in neuronalen Netzen. Memristive Werkstoffe bilden somit wie in Abb. 1 skizziert den zentralen plastischen Baustein künstlicher neuronaler Netzwerke (KNN) und erlauben einen effizienten Aufbau von KNNs in Hardware.

In memristiven Werkstoffen wird der Gedächtniseffekt durch mikrostrukturelle Änderungen der atomaren Werkstoffstruktur erreicht und erstreckt sich von der Nano- und Mikroskala bis hin zur Makroskala, wobei die Änderungsmechanismen auf multiplen Prozessen und deren Kopplung basieren. Dazu zählen beispielsweise nano-strukturelle Veränderungen, Änderungen der Defektstruktur, nano-ionische oder festphasenelektrolytische Mechanismen. Eine wichtige Rolle für die Widerstandsänderung spielen zudem die Stärke, Frequenz und Periodizität der angelegten Signale. Dies birgt das einzigartige Potential einer detaillierten funktionalen Nachbildung zellulärer Dynamiken biologischer Lernprozesse, die als synaptische Plastizität beschrieben werden und die Grundlage der Gedächtnisbildung in biologischen Systemen darstellen. Aufgrund der Vielzahl gekoppelter nichtlinearer Effekte in memristiven Werkstoffen existiert allerdings bislang noch kein geschlossenes physikalisches Verständnis der Werkstoffdynamiken. Zudem wird eine gezielte Verwendung memristiver Werkstoffe in neuromorphen Systemen noch durch die große Zahl von Technologie- und Netzwerkparametern, die für eine Integration der Werkstoffe in neuromorphe Systeme zu beachten sind, erschwert. Um das volle Potential memristiver Werkstoffe für die neuromorphe Hardware zu erschließen, bedarf es somit eines ganzheitlichen, interdisziplinären Ansatzes, der die grundlegenden Werkstoff-, Prozess- und Technologieparameter in direkten Bezug zu der gewünschten Funktionalität des Werkstoffes innerhalb des neuromorphen Systems setzt.

3. Zielsetzung

Das Ziel des Vorhabens ist die Schaffung der Grundlagen für eine parameterorientierte Entwicklung memristiver Werkstoffe für den Einsatz in neuromorphen Systemen für den zielgerichteten Aufbau einer hardwarebasierten kognitiven Elektronik. Dafür soll durch die Digitalisierung der Werkstoffe (d.h. die Erfassung und Auswertung von Werkstoff-, Prozess- und Systemdaten) ein Werkstoffatlasals neuartiges „Kartierungssystem“ memristiver Werkstoffe entwickelt werden, das Werkstoff-, Prozess- und Technologieparameter in direkten Bezug setzt zu (i) den elektronischen Eigenschaften memristiver Bauelemente (Strom-Spannung-Charakteristika, Speicherdauer, Datenwechselstabilitäten, Parameterstreuung, Schaltzeiten, usw.) und (ii) den Netzwerkcharakteristika (Lern- und Gedächtnisleistung von KNNs, d.h. Lern- und Prädiktionsaufgaben). Die Identifikation von Schlüsselfunktionalitäten der Werkstoffe und deren Reaktion auf externe Reize wird es ermöglichen, Materialsysteme für neuromorphe Systeme maßzuschneidern. Hierzu sollen exemplarisch zwei besonders vielversprechende Werkstoffklassen, nano-ionische resistiv schaltende Materialien und 2D-Materialien, bearbeitet werden. Die Werkstoffe müssen dazu designt, hergestellt, charakterisiert und in elektronische Bauelemente und Schaltkreise integriert werden.