Schwerpunkte

Penn State University

Graphen-basierte Memristoren für neuromorphes Computing

09. November 2020, 15:38 Uhr   |  Ralf Higgelke

Graphen-basierte Memristoren für neuromorphes Computing
© Jennifer M. McCann/Penn State

Graphen-basierte Memristoren könnten Türen für biomimetische Berechnungen öffnen.

Während sich der Fortschritt bei klassischen Computersystemen verlangsamt, treten neue Formen der Datenverarbeitung in den Vordergrund. An der Penn State University versucht ein Team, mithilfe Graphen-basierter Memristoren die Effizienz des Gehirns nachzuahmen und dessen analoge Natur auszunutzen.

Die moderne Datenverarbeitung ist digital und besteht aus zwei Zuständen, entweder Ein/Aus bzw. Eins/Null. Ein Analogcomputer dagegen kann, wie das Gehirn, viele mögliche Zustände annehmen. Veranschaulichen lässt sich dies mit dem Unterschied zwischen dem Ein- oder Ausschalten eines Lichtschalters einerseits und dem Drehen eines Dimmers andererseits, mit dessen Hilfe sich unterschiedliche Helligkeiten einstellen lassen.

Neuromorphes oder durch das Gehirn inspiriertes Computing wird laut Saptarshi Das, dem Teamleiter und Assistenzprofessor für Ingenieurwissenschaften und Mechanik an der Penn State University, seit mehr als 40 Jahren untersucht. Doch Digitalcomputer erreichen mit dem Bedarf an Hochgeschwindigkeits-Bildverarbeitung, zum Beispiel für autonome Autos, zunehmend ihre Grenzen. Ein weiterer Anreiz für das neuromorphe Computing ist die rasant wachsende Datenmenge, die Arten der Mustererkennung erfordert, für die die Architektur des Gehirns besonders gut geeignet wäre.

»Wir haben leistungsfähige Computer, daran besteht kein Zweifel«, erklärt Das. »Das Problem besteht darin, dass man die Daten an einem Ort speichern und an einem anderen die Berechnungen durchführen muss.« Diese Daten vom Speicher zur Verarbeitungslogik und wieder zurück zu transportieren, benötigt sehr viel Energie und bremst die Rechengeschwindigkeit. Darüber hinaus benötigt diese Computerarchitektur viel Platz. Würden Berechnung und Speicherung am selben Ort stattfinden, ließe sich dieser Flaschenhals beseitigen.

»Wir entwickeln künstliche neuronale Netze, die versuchen, die Energie- und Flächeneffizienz des Gehirns nachzubilden«, erklärte Thomas Schranghamer, Doktorand am Labor von Das und Erstautor einer kürzlich in Nature Communications veröffentlichten Arbeit. »Unser Gehirn ist so kompakt, dass es auf die Schultern passt, während ein moderner Supercomputer eine Fläche von der Größe von zwei oder drei Tennisplätzen einnimmt.«

Wie Synapsen, die die Neuronen im Gehirn verbinden und sich umkonfigurieren lassen, lassen sich die nun vorgestellten künstlichen neuronalen Netze des Teams verändern, indem man kurzzeitig ein elektrisches Feld an eine einzelne Lage Graphen anlegt. In ihrer Arbeit wiesen die Forscher mindestens 16 mögliche Speicherzustände auf, im Gegensatz zu den zwei in den meisten oxidbasierten Memristoren (Speicherwiderständen). »Wir konnten nachweisen, dass wir mit einfachen Graphen-Feldeffekttransistoren eine große Anzahl von Speicherzuständen präzise steuern können«, erläuterte Das.

Das Team ist der Ansicht, dass sich diese Technologie rasch zur Marktreife bringen lässt. Da viele der größten Halbleiterunternehmen aktiv im Bereich des neuromorphen Computings tätig sind, glaubt Das, dass diese Arbeit für sie von Interesse sein wird.

Originalpublikation

Th. Schranghamer, et al., Graphene memristive synapses for high precision neuromorphic computing, Nat Commun 11, 5474 (2020). DOI: 10.1038/s41467-020-19203-z

Auf Facebook teilen Auf Twitter teilen Auf Linkedin teilen Via Mail teilen

Das könnte Sie auch interessieren

Verwandte Artikel

elektroniknet