AP6 Hardware-Software-Integration für neuromorphe Systeme
Durch die Kombination verschiedener More-Moore- und Beyond-Moore-Funktionsblöcke wird in AP6 ein Gesamtsystem-Demonstrator entwickelt. Um Konzepte aus dem maschinellen Lernen auf die in NEUROTEC entwickelten Technologien anzupassen, sodass sie sich nahtlos übertragen lassen, wird in AP6 ein „neuromorpher Tensorflow“ entwickelt, dessen Funktionalität alle NEUROTEC-Anwendungen umfasst. Die in AP6 untersuchten Anwendungen beinhalten die zur Zeit gängigen KI-Modelle, einschliesslich Aufmerksamkeitsmechanismen und räumlich-zeitliches Musterlernen. Aufmerksamkeitsmechanismen werden CIM-Blöcke für die erforderlichen Matrixoperationen nutzen, sowie TCAM-Blöcke als Speichermodule. Das räumlich-zeitliche Musterlernen wird den memristorbasierten SNN-Chip von AP 5.3 verwenden. Um die Leistung und Energieeffizienz eines hochskalierten Systems vorherzusagen, werden unsere Modelle in entsprechend skaliertierte Simulationen integriert. Eine weitere Anwendung liegt in der Beschleunigung der Lösung von kombinatorischen Optimierungsproblemen, die für die heutige digitale Hardware (CPUs und GPUs) aufgrund der unstrukturierten Speicherzugriffe und rechenintensiven Operationen eine große Herausforderung darstellen. Memristorbasierte In-Memory-Implementierungen haben sich kürzlich als potenziell sehr konkurrenzfähig in Bezug auf hohe Geschwindigkeit und geringen Energieverbrauch gezeigt [CAI2020]. AP6 wird auf dieser Arbeit aufbauen und die stochastischen Bausteine von AP5 für die Lösung realer Probleme zu verwenden.
Insgesamt umfasst AP6 vier Unterarbeitspakete:
In AP6.1 wird analoges Assoziatives Rechnen unter Verwendung der in AP5.1 und AP5.2 entwickelten Beyond-Moore-Blöcke vom Typ CIM und CAM erforscht.
AP6.2 zielt auf die Konzeption von robusten Adaptationsmechanismen insbesondere für pulsende neuronale Netze ab, die in AP5.3 entwickelt werden.
In AP6.3 werden Tensorflow-ähnliche Softwaretools zur Programmierung von More-Moore- und Beyond-Moore-Systemen entwickelt
AP6.4 nutzt die in AP5.1 und AP5.4 entwickelten CIM- und TRNG-Schaltungsblöcke, um effiziente stochastische neuromorphe Implementierungen (Hopfield-Netze und Boltzmann-Maschinen) zur Lösung industriell relevanter OPtimierungsprobleme zu erforschen
