MemTDE

Memristiver Zeitabstandskodierer

Partner

Elisabetta_Chicca_transparent

Prof. Elisabetta Chicca

Universität Groningen

Regina_Dittmann_transparent

Prof. Regina Dittmann

Forschungszentrum Jülich

Outcome

Distributed representations enable robust multi-timescale symbolic computation in neuromorphic hardware

Madison Cotteret, Hugh Greatorex, Alpha Renner, Junren Chen, Emre Neftci, Huaqiang Wu, Giacomo Indiveri, Martin Ziegler, Elisabetta Chicca

Madison Cotteret et al 2025 Neuromorph. Comput. Eng., 7 February 2025

DOI: 10.1088/2634-4386/ada851

MemrisTec Young Researcher Awards for best oral presentation

Im Workshop MemrisTec2024 wurden Dimitris Spithouris, Johannes Hellwig und Hugh Greatorex für die beste Präsentation vom MemrisTec Board ausgezeichnet.

Resolving the Relaxation of Volatile Valence Change Memory

Johannes Hellwig, Carsten Funck, Sebastian Siegel, Alexandros Sarantopoulos, Dimitrios Spithouris, Stephan Menzel, Regina Dittmann

Advanced Electronic Materials, 17 June 2024

DOI:10.1002/aelm.202400062

MEMRISYS „Best Oral Award“ für Johannes Hellwig

Für seinen Vortrag „ Resolving the Physical Origin of LRS Relaxation in Valence Change Memory” erhielt Johannes Hellwig vom Forschungszentrum Jülich (PGI-7) auf der Konferenz MEMRISYS in Turin, die vom 5.-9. November 2023 stattfand, den „Best Oral Award“.

Vector Symbolic Finite State Machines in Attractor Neural Networks

Madison Cotteret, Hugh Greatorex, Martin Ziegler, Elisabetta Chicca

Neural Computation 36, 549–595 (2024), October 19 2023

DOI: 10.1162/neco_a_01638

A Subthreshold Second-Order Integration Circuit for Versatile Synaptic Alpha Kernel and Trace Generation

Ole Richter, Hugh Greatorex, Benjamin Hucko, Madison Cotteret, Willian Soares Girao, Ella Janotte, Michele Mastella, Elisabetta Chicca

Synaptic Normalisation for On-Chip Learning in Analog CMOS Spiking Neural Networks. In International Conference on Neuromorphic Systems (ICONS ’23), August 1-3, 2023

DOI: 10.1145/3589737.3606008

Synaptic Normalisation for On-Chip Learning in Analog CMOS Spiking Neural Networks

Michele Mastella, Hugh Greatorex, Madison Cotteret, Ella Janotte, Willian Soares Girão, Ole Richter, Elisabetta Chicca.

Synaptic Normalisation for On-Chip Learning in Analog CMOS Spiking Neural Networks. In International Conference on Neuromorphic Systems (ICONS ’23), August 1–3, 2023

DOI: 10.1145/3589737.3606007

Projektbeschreibung

Das Internet of Things (IoT) setzt die Verarbeitung stetig wachsender Mengen an Sensordaten voraus. Diese Sensoren sollen dabei möglichst kabellos sein, was eine energieaufwendige Übertragung der Daten nötig macht. Daher bieten intelligente Sensoren mit einer gewissen Rechenkapazität den Vorteil, lokal entscheiden zu können, welche Daten übertragen werden müssen und welche nicht. Während etliche Sensorsysteme über die Jahre eine kontinuierliche Verbesserung erfahren haben, muss die Datenverarbeitung beim Sensor selbst noch entwickelt werden, auch mit besonderem Blick auf kompakte System mit geringem Energieverbrauch und dennoch hoher Geschwindigkeit.

In diesem Projekt werden wir den Time Difference Encoder (TDE), ein erst kürzlich entwickeltes Rechenelement, geeignet zur schnellen und energiesparenden Verarbeitung von Sensordaten, durch eine hybride CMOS-memristive Schaltung verbessern. Hierbei werden flüchtige redox-basierte memristive Bauelemente den Kondensator in der normalen CMOS-Implementierung des TDE ersetzen. Damit erreichen wir eine verbesserte Miniaturisierung und gleichzeitig lange Zeitkonstanten (von einigen hundert Millisekunden bis hin zu Sekunden), die in konventioneller CMOS Technologie unmöglich sind. Die Kombination verschiedener Zeitkonstanten wird das Anwendungsfeld des TDE deutlich erweitern.

In diesem Projekt kombinieren wir die Expertise zweier Gruppen, die ausgewiesene Experten auf dem Gebiet der Entwicklung memristiver Bauelemente und dem analogen Schaltungsdesigns sind.Die Bauteilentwicklung und der Schaltungsentwurf werden modernste Techniken dieser beiden Bereiche nutzen. Um die Zeitkonstanten des Widerstandsabfalls der memristiven Bauelemente zu kontrollieren, werden wir die Details der Redoxprozesse an der Oxid-Elektroden-Grenzfläche untersuchen, die maßgeblich für die Stabilität der resistiven Zustände sind. Das Wissen um die genauen physikalisch-chemischen Vorgänge, die den Widerstandsabfall bewirken, wird zu neuen Designkriterien, sowohl für flüchtige, als auch für nicht-flüchtige memristive Bauelemente, führen.

Der in diesem Projekt entworfene Prototyp wird die intelligente Verarbeitung von Sensordaten vorantreiben. Dies wird uns die einzigartige Gelegenheit eröffnen, eine große Bandbreite an sensorischen Bereichen, inklusive dem auditorischen und visuellen, aber eventuell auch taktilen und olfaktorischen Bereich abzudecken.

Weitere Projektmitarbeitende

Hugh_Greatorex_transparent

Hugh Greatorex

University of Groningen

Johannes_Hellwig_transparent

Johannes Hellwig

Forschungszentrum Jülich

Dimitris_Spithouris

Dimitris Spithouris

Forschungszentrum Jülich