Neuromorphic computing in memristor-enhanced analog circuits
- Reference number
- ID22-0008
- Project leader
- Borg, Mattias
- Start and end dates
- 230101-271231
- Amount granted
- 2 500 000 SEK
- Administrative organization
- Lunds tekniska högskola
- Research area
- Information, Communication and Systems Technology
Summary
Although machine learning is becoming invaluable in many industrial sectors, the technology remains incompatible with important use-cases such as edge computing and extended reality which impose strict constraints on hardware energy usage and form factor. This is addressed by neuromorphic hardware that implements Spiking Neural Networks (SNNs), promising energy efficiency 10x beyond the performance of ultimate digital hardware. However, current demonstrations based on digital or mixed-signal approaches are hampered by not fully utilizing the analog nature of SNNs. Here we aim to establish the essential computing core for the future realization of a truly analog neuromorphic computing platform with ferroelectric memristor add-ons, building on the expertise on analog circuit design and nanoelectronic devices within Ericsson and Lund University. The objectives of the project are to (1) design neuron circuits in analog CMOS with added memristor functionality, (2) interface these with 256x256 crossbar of integrated memristor synapses, and (3) demonstrate a fully analog neuromorphic computing core. At Ericsson, the PhD student will perform analog circuit designs towards these objectives, with device models based on existing memristor technology in Borg’s group. These novel circuit designs and the demonstrator of a neuromorphic core with integrated ferroelectric memristor crossbar arrays will be a fundamental step towards a first Swedish neuromorphic computing platform.
Popular science description
Artificiell intelligens (AI) är på god väg att bli ovärderligt i många industriella sektorer, såsom inom bildbehandling, säkerhet och kommunikation. Men för att AI ska fungera krävs att en stor mängd information behandlas med snabb och kraftfull hårdvara vilket drar mycket elektricitet. Globala elförbrukningen för AI kan komma att överstiga elproduktionen i Sverige redan 2030, vilket är ett gigantiskt hållbarhetsproblem. Dessutom hindrar den energislukande hårdvaran AI-tillämpningar i batteridrivna enheter som till exempel mobiltelefoner och VR-glasögon, vilka idag kräver en konstant kommunikation med hårdvara i molnet. En lösning på detta energiproblem inom AI ges av så kallad hjärnlik eller neuromorf hårdvara, vilken efterliknar hur hjärnan bearbetar information. Genom att skicka information i korta elektriska signaler genom komplexa nätverk av elektroniska neuroner kan sådan hårdvara komma att använda många gånger mindre energi och bli mycket snabbare än idag, vilket skulle totalt förändra hur och var vi använder AI i framtiden. Nuvarande neuromorfa system bygger på digital teknik, med ettor och nollor, och kan förutsägbart utföra de beräkningar som behövs. Men sådana lösningar missar att den biologiska hjärnan är full av dynamiska och oförutsägbara processer vilka har visat sig vara mycket viktiga för inlärningen. Dessa egenskaper kan bättre modelleras i analog elektronik i kombination med nanoelektronik. Därför vill vi i detta projekt kombinera den mångåriga erfarenheten och excellensen inom båda dessa fält på Ericsson och vid Lunds Universitet för att för första gången designa och tillverka själva kärnan i ett helt analogt neuromorft datorsystem. Vi kommer att designa innovativa kretsar som ska efterlikna biologiska neuroners funktionalitet genom en kombination av avancerad kiselteknik och nanoelektroniska komponenter kallade “memristorer”, vilka har utvecklats vid Lunds Universitet. Memristorerna ger kretsarna avancerad dynamik och viss oförutsägbarhet, samt gör dem kompakta för att maximera antalet neuroner som får plats i systemet. Stora rutnät av sådana memristorer kommer också användas för att på ett dynamiskt sätt koppla samman neuronerna till ett neuralt nätverk. Slutligen ska en komplett beräkningskärna med både neuroner och synapser sättas samman och utvärderas. Detta är stort steg mot att skapa Sveriges första neuromorfa beräkningsplattform, vilket blir en ovärderlig resurs i utvecklingen av framtidens digitala samhälle.