Unser Ziel ist es, künst­li­che neuro­nale Netzwerke durch Gehirn ähnli­che Schalt­kreise zu entwi­ckeln. Wie im Gehirn werden künst­li­che Neuro­nen und Synap­sen mit neuar­ti­gen Memris­to­ren gebil­det und in einem Cross­bar-Array angeord­net. Kombi­niert mit ultra­schnel­ler Photo­nik wollen wir Signal­ver­ar­bei­tung und Matrix-Vektor-Multi­pli­ka­tio­nen optimie­ren, um Limits konven­tio­nel­ler Techno­lo­gien zu überwin­den. Damit sollen Energie­ver­brauch, Rechen­zeit und System­kom­ple­xi­tät in Rechen­sys­te­men verbes­sert werden.

Unser Ziel ist es, hardware­ba­sierte künst­li­che neuro­nale Netzwerke mit analo­gen Schalt­krei­sen zu entwi­ckeln, die dem Gehirn nachemp­fun­den sind. Wir nutzen neuar­tige Memris­to­ren, die das Verhal­ten von Neuro­nen und Synap­sen durch Bewegung einzel­ner Atome nachah­men können. Durch Anord­nung dieser Memris­to­ren in einer kreuz­för­mi­gen Struk­tur schaf­fen wir komplexe neuro­mor­phe Schalt­kreise für verschie­dene Anwen­dun­gen. Diese neue Archi­tek­tur erfor­dert spezi­elle Algorith­men für In-Memory-Compu­ting, die wir auch erfor­schen werden.

Die Innova­tion unseres Ansat­zes liegt in der Kombi­na­tion analo­ger, memris­ti­ver Schalt­kreise mit ultra­schnel­ler integrier­ter Photo­nik für eine schnel­lere und effizi­en­tere Daten­ver­ar­bei­tung. Zunächst konzen­trie­ren wir uns auf Anwen­dun­gen in der Signal­ver­ar­bei­tung, bei denen wir die System­kom­ple­xi­tät und den Rechen­auf­wand verrin­gern wollen. Im weite­ren Verlauf des Projekts planen wir, anspruchs­vol­lere Schal­tun­gen für allge­meine Rechen­an­wen­dun­gen zu entwi­ckeln und dadurch den «Von Neumann Bottlen­eck» konven­tio­nel­ler Archi­tek­tu­ren zu überwinden.

Die Entwick­lung photo­nisch-neuro­mor­pher Schalt­kreise für künst­li­che neuro­nale Netzwerke stellt einen bedeu­ten­den Schritt zu schnel­len, energie­spa­ren­den, Gehirn inspi­rier­ten Compu­tern dar. Dies erlaubt, die Signal­ver­ar­bei­tung in der Kommu­ni­ka­ti­ons­in­dus­trie zu revolu­tio­nie­ren und eine Lösung zur Senkung des Energie­ver­brauchs durch In-Memory-Compu­ting zu entwi­ckeln – eine zentrale Heraus­for­de­rung bei der Skalie­rung von KI.