MemCouple

Hochleistungsrechnen in memristiven Matrizen durch Thermische Kopplung

 

Ansprechpartner

Prof. Martin Ziegler
Fachgebiet Mikro- und nanoelektronische Systeme

Telefon: +49 3677 69-3711
E-Mail:martin.ziegler@tu-ilmenau.de

Förderinformation

Projektträger: DFG

Förderkennzeichen: ZI 1548/11-1

 

beteiligte Fachgebiete: Mikro- und nanoelektronische Systeme

Laufzeit: 01.01.2024 - 31.12.2026

Trotz der beeindruckenden Erfolge im Bereich des maschinellen Lernens ist die künstliche Intelligenz (KI) immer noch weit von der natürlichen Intelligenz entfernt. Sie versteht nicht, was sie lernt und arbeitet daher bei kognitiven Auagben ineffizienter. Heutiges maschinelles Lernen läuft auf seriellen von-Neumann-Computern, was den Trainingsprozess unflexibel und energieintensiver macht. Hier arbeitet die Biologie anders: Das menschliche Gehin ist ein massives paralleles Netwerk von Neuronen, das sich in funktionell spezialisierte Regionen unterteilt, die als kontextabhängige, selbstorganisierte und flüchtige Teilnetzwerke operieren und sich ausmerksamkeitsabhängig alle 0,5 bis 2 s ändern. Dies führt zu einem der rätselhaftesten Fragen in der kognitiven Neurowissenschaft, dem so gennanten Bindngsproblemen, dass eng verbunden ist mit dem Verständnis des Zusammenhangs zwischen der Dynamik des Netzwerks und seiner Konnektivität, d.h. dem Verständnis von räumlich-zeitlichen Mustern. Hier ist die neuronale Plastizität ein entscheidender Faktor, der zu einer strukturellen Konnektivitätsmatrix synaptischer Gewichte führt, die die Gesamtfunktion des Netzwerks bestimmt. Um den Weg zur kognitiven Elektronik zu ebnen, soll im Projektvorhaben die Bindung von zeitlich-räumlichen Mustern in memristiven Cross-Arrays emuliert und für unkoventionelle Rechnenparadigmen nutzbar gemacht werden. Dazu wird das thermische Übersprechen in memristiven Crossbarstrukturen ausgenutzt. Die Eigenschaften und das Design der memristiven Bauelemente und der Crossbarstruktur werden dabei so ausgelegt, dass lokale Lernregeln etabliert werden, die geeignete Plastizitätsmechanismen implementieren, um räumlich-zeitlich Muster zu generieren und die Systemdynamik am dynamischen Kipppunkt (edge-of-chaos) stabilisieren.