In der heutigen von-Neumann-Rechnerarchitektur ist das zentrale Rechenwerk physikalisch von dem Arbeitsspeicher getrennt und die Kommunikation zwischen beiden Komponenten läuft über einen Datenbus finiter Bandbreite. Dieser sogenannte von-Neumann-Flaschenhals stellt einen limitierenden Faktor für neuartige Anwendungen da, die auf der Verarbeitung großer Datenmengen beruhen. Insbesondere im Zeitalter des Internet der Dinge und von „Big Data“ Anwendungen ist ein hoher Datentransfer erwünscht. Daher ist die Forschungsgemeinschaft auf der Suche nach neuartigen Rechnerkonzepten, in denen Rechenwerk und Speicher zusammengebracht werden.

Zelluläre nichtlinear Netzwerke (CNN) stellen ein solches Rechnerkonzept dar. Ein einzelne CNN Zelle besteht aus einer Kapazität, einem Widerstand, und einer variablen Anzahl spannungsgesteuerter Stromquellen. Die CNN Zellen sind in einer zwei- oder dreidimensionalen Matrix angeordnet, in der nur benachbarte Zellen miteinander verkoppelt sind. Durch die Art/Stärke der Verkopplung (bzw. Selbstkopplung) können eine Vielzahl unterschiedlicher Rechenaufgaben gelöst werden. 1993 hat T. Roska vorschlagen zu diesen CNN lokale Speicherelemente hinzufügen um eine Universelle Maschine (UM) zu bauen. Dieses Konzept stellt den ersten Rechner dar, der kein von-Neumann-Rechner ist.

Durch die Kombination von CNN Zellen und Fotodetektoren konnten hocheffiziente visuelle Mikroprozessoren in der Vergangenheit realisiert werden. Die lokalen Speichereinheiten in diesen CNN Zellen sind heutzutage jedoch sehr groß, wodurch die laterale Auflösung der visuellen Mikroprozessoren relative gering ist. Zur Lösung dieses Problems werden daher hochskalierbare, nichtflüchtige Speicherbauelemente benötigt. Memristive Speicherbauelemente basierend auf Redox-Mechanismen zeigen solche Eigenschaften und sind daher der ideale Kandidat um die Leistungsbeschränkung von heutigen CNN-UM aufzulösen. Bisher wurden memristive CNN-UM nur theoretisch bzw. auf Simulationsebene analysiert, nicht aber experimentell verifiziert.

In dem vorgeschlagenen Projekt Mem²CNN soll die Umsetzbarkeit von memristiven CNN-UM (MCNN-UM) untersucht werden. Dazu werden die Kompetenzen des Partners aus Dresden (TUD) im Bereich der Theorie von Memristoren und MCNN-UM und der Expertise des Partners aus Jülich (FZJ) im Bereich der Herstellung und der physikalischen Modellierung memristiver Bauelemente gebündelt. Die physikalischen Modelle memristiver Bauelemente des FZJ werden in dem Projekt in einen systemtheoretischen Ansatz überführt, um die MCNN-UM auf Systemebene zu analysieren. Weiterhin sollen einzelnen MCNN Zellen sowie kleine Netzwerke bestehend aus bis zu 6×6 Zellen hardwaretechnisch realisiert werden. Mit diesen MCNN-UM sollen verschiedene Rechenaufgabe wie zum Beispiel die Kantendetektion in Bilder demonstriert werden. Auf Basis der systemtheoretischen Modelle soll in diesem Projekt, die Skalierbarkeit, das Potential und der universelle Ansatz von MCNN-UM gezeigt werden.