Synapsen als Vorbild: Festkörperspeicher in neuromorphen Schaltungen

Wegweiser für Design von Memristor-Hardware

17.08.2022 - Deutschland

Sie sind um ein Vielfaches schneller als Flash-Speicher und benötigen deutlich weniger Energie: Memristive Speicherzellen könnten die Energieeffizienz neuromorpher Computer revolutionieren. In diesen Rechnern, die sich die Arbeitsweise des menschlichen Gehirns zum Vorbild nehmen, funktionieren memristive Zellen wie künstliche Synapsen. Weltweit arbeiten zahlreiche Gruppen an dem Einsatz entsprechender neuromorpher Schaltungen – allerdings oft mit mangelndem Verständnis ihrer Funktionsweise und fehlerhaften Modellen. Jülicher Forschende haben nun die physikalischen Grundlagen und Modelle in einem umfassenden Übersichtsartikel in der Fachzeitschrift „Advances in Physics“ zusammengefasst.

Forschungszentrum Jülich

Das Bild zeigt schematisch die Verbindung zweier biologischer Neuronen über eine Synapse. Der Anschaulichkeit halber ist nur eine der etwa 10.000 Synapsen gezeigt, die jedes Neuron aufweist. Die biologischen Synapsen sollen durch memristive redox-aktive Bauelemente emuliert werden, wie auf der rechten Seite skizziert. Durch einen sogenannten Formierschritt bildet sich ein Filament in einer einige Nanometer großen Übergangsmetalloxid-Zelle (hier Zirkonoxid). Über eine angelegte Spannung können Sauerstoffleerstellen in die Lücke zwischen der Filamentspitze und der Elektrode auf der linken Seite gezogen werden, und den Widerstand verringern (SET-Prozess). Eine umgekehrte Spannungspolarität kehrt den Prozess um (RESET-Prozess).

Bestimmte Aufgaben – etwa das Erkennen von Mustern und Sprache – erledigt ein menschliches Gehirn hocheffizient und benötigt dafür nur etwa ein Zehntausendstel der Energie eines konventionellen, sogenannten „von Neumann“-Computers. Einer der Gründe liegt in den strukturellen Unterschieden: In einer von-Neumann Architektur gibt es eine klare Trennung zwischen Speicher und Prozessor, was ständiges Verschieben großer Datenmengen erfordert. Das ist zeit- und energieaufwändig – der sogenannte von Neumann-Flaschenhals. Im Gehirn erfolgt die Rechenoperation direkt im Datenspeicher und die biologischen Synapsen übernehmen die Aufgaben von Speicher und Prozessor zugleich.

In Jülich arbeiten Wissenschaftler seit über 15 Jahren an speziellen Datenspeichern und Bauelementen, die ähnliche Eigenschaften aufweisen können wie die Synapsen im menschlichen Gehirn. Sogenannte memristive Speicherbauelemente, auch Memristoren genannt, gelten als äußerst schnell, energiesparend und lassen sich sehr gut bis in den Nanometerbereich miniaturisieren. Die Funktionsweise memristiver Zellen beruht auf einem ganz besonderen Effekt: Ihr elektrischer Widerstand ist nicht konstant, sondern lässt sich durch das Anlegen einer äußeren Spannung verändern und wieder zurücksetzen, im Idealfall stufenlos. Gesteuert wird die Widerstandsänderung durch die Bewegung von Sauerstoff-Ionen. Bewegen diese sich aus der halbleitenden Metalloxidschicht heraus, so wird das Material leitfähiger und der elektrische Widerstand sinkt. Diese Widerstandsänderung kann man zur Speicherung von Informationen einsetzen.

Die Prozesse, die in den Zellen auftreten können, sind sehr komplex und variieren je nach Materialsystem. Drei Forscher des Jülicher Peter Grünberg Instituts – Prof. Regina Dittmann, Dr. Stephan Menzel und Prof. Rainer Waser – haben deshalb ihre Forschungsergebnisse in einem ausführlichen Reviewartikel zusammengetragen, “Nanoionic memristive phenomena in metal oxides: the valence change mechanism”. Sie erklären detailliert die verschiedenen physikalischen und chemischen Effekte in den Memristoren und beleuchten den Einfluss dieser Effekte auf die Schalteigenschaften memristiver Zellen und deren Zuverlässigkeit.

„Wenn man die aktuellen Forschungsaktivitäten im Bereich neuromorpher Memristorschaltungen betrachtet, so basieren diese häufig auf empirischen Ansätzen der Materialoptimierung“, so Rainer Waser, Direktor am Peter Grünberg Institut. „Wir haben uns das Ziel gesetzt, mit unserem Reviewartikel den Forschenden etwas in die Hand zu geben, um eine Erkenntnis-orientierte Materialoptimierung zu ermöglichen“. Das Autorenteam hat zehn Jahre lang an dem etwa 200-seitigen Artikel gearbeitet und musste dabei naturgemäß immer wieder den Erkenntnisfortschritt mit einarbeiten.

„Die analoge Funktionsweise memristiver Zellen, die man für deren Einsatz als künstliche Synapsen benötigt, ist nicht der Normalfall. Üblicherweise kommt es zu plötzlichen Sprüngen des Widerstands, erzeugt durch die wechselseitige Verstärkung von Ionenbewegung und Joulscher Wärme“, erläutert Regina Dittmann vom Peter Grünberg Institut. „In unserem Reviewartikel liefern wir den Forschenden das notwendige Verständnis, wie die Dynamik der Zellen so verändert werden kann, dass ein analoger Betriebsmodus möglich ist.“

„Man sieht immer wieder, dass die Gruppen ihre Memristorschaltungen mit Modellen simulieren, die hohe Dynamik der Zellen überhaupt nicht berücksichtigen. Diese Schaltungen werden niemals funktionieren.“ so Stephan Menzel, der die Modellierungsaktivitäten am Peter Grünberg Institut leitet und leistungsfähige Kompaktmodelle entwickelt hat, die mittlerweile öffentlich zugängig sind. „In unserem Reviewartikel liefern wir die Grundlagen, die für eine korrekte Verwendung unserer Kompaktmodelle extrem hilfreich sind.“

Roadmap neuromorphes Computing

Wie neuromorphes Computing dazu beitragen kann, den enormen Energieverbrauch der IT global zu reduzieren, zeigt die „Roadmap of Neuromorphic Compting and Engineering“, die im Mai 2022 erschienen ist. Forschende des Peter Grünberg Instituts (PGI-7) haben darin zusammen mit führenden Experten auf diesem Gebiet die verschiedenen technologischen Möglichkeiten, Rechenansätze, Lernalgorithmen und Anwendungsfelder zusammengestellt.

Anwendungen im Bereich der künstlichen Intelligenz wie zum Beispiel Mustererkennung oder Spracherkennung dürften demnach in besonderer Weise vom Einsatz neuromorpher Hardware profitieren. Denn sie basieren – viel stärker als klassische numerische Rechenoperationen – auf dem Verschieben großer Datenmengen. Memristive Zellen ermöglichen es, diese gigantischen Datensätze direkt im Speicher zu verarbeiten, ohne sie zwischen Prozessor und Speicher hin und her zu transportieren. Die Energieeffizienz künstlicher neuronaler Netze könnte sich dadurch um Größenordnungen verringern.

Memristive Zellen lassen sich zudem zu hochdichten Matrizen zusammenschalten, die das Lernen neuronaler Netze vor Ort ermöglichen. Dieses sogenannte Edge Computing verlagert die Berechnungen also vom Rechenzentrum in die Fabrikhalle, ins Fahrzeug oder in die Wohnung pflegebedürftiger Menschen. Somit kann die Überwachung und Steuerung von Abläufen oder die Einleitung von Rettungsmaßnahmen erfolgen, ohne Daten über eine Cloud zu senden. „Damit erreicht man zwei Dinge gleichzeitig: Man spart Energie und gleichzeitig bleiben persönliche und schutzrechtlich relevante Daten vor Ort“, so Frau Prof. Dittmann, die als Editorin maßgeblich an der Erstellung der Roadmap beteiligt war.

Originalveröffentlichung

Weitere News aus dem Ressort Wissenschaft

Meistgelesene News

Weitere News von unseren anderen Portalen

Alle FT-IR-Spektrometer Hersteller