Vom Gehirn inspirierte gepulste neuronale Netze (SNNs) arbeiten parallel und asynchron über räumlich und zeitlich diskrete Pulse zwischen miteinander verbundenen Neuronen. Durch die Nachahmung kapazitiver neuronaler Netze, die kapazitive Mem-Elemente laden und entladen, wodurch Energie von/zu den Signalquellen abgezogen oder zurückgeführt wird, kann der Energieverbrauch im Vergleich zu herkömmlichen künstlichen neuronalen Netzstrukturen (ANN), die massive Matrix-Vektor-Multiplikationen durchführen, erheblich gesenkt werden. In dieser Hinsicht können Neuronen auf Basis von Memtransistoren, die sowohl memristive/memkapazitive und Transistorstrukturen enthalten, grundlegendes Verhalten wie z.B. Leaky-Integrate-and-Fire (LIF) ermöglichen. Damit lässt sich ein neuromorpher Memcomputing-Baustein für vielseitige SNN-Architekturen bilden. In diesem Projekt zielen wir auf die Entwicklung einer neuartigen Neuro-Crossbar-Struktur ab, die die Funktionalitäten der einzelnen Komponenten der memristiven/memkapazitiven Crossbar und des Neurotransistors auf der Basis von Al2O3/Nb2O5-Bauelementen, die im vorangegangenen BioMCross-Projekt entwickelt wurden, kombiniert und erweitert. Im Gegensatz zu früheren Memtransistor-Ansätzen stellen wir eine integrierte memkapazitive Crossbar-Struktur mit mehreren Eingängen am Gate eines Si-basierten Transistors her. Damit wird ermöglicht, einen kontrollierten 1D- und 2D-Perkolationspfad entlang des Transistorkanals zu schaffen. Die integrierte LIF-Neuro-Crossbar-Struktur beinhaltet eine hohe Komplexität, wie z. B. eine vollständig verbundene Schicht für mehrere Eingänge, eine Alles-oder-Nichts-Merkmalextraktion für 1D-Perkolation oder ODER-verknüpfte 2D-Perkolationspfade sowie eine rekurrente Verbindung in einer einzigen Memtransistor-Struktur. Zu diesem Zweck wird die vorgeschlagene Arbeit mehrere wesentliche Aspekte abdecken: (i) die Modellierung der Neuro-Crossbar-Elemente mittels 3D TCAD-Simulation, (ii) die Neuro-Crossbar-Fertigung und Parameteroptimierung durch Integration des memkapazitiven Al2O3/Nb2O5 Stapels in die Transistorstrukturen, (iii) die Modellierung des Neuro-Crossbar-Schaltungssystems und die Analyse des Lese-/Schreibvorgangs und (iv) das Design von zeitlich kodierten Signalen für rekurrente SNNs, hardwarebewusstes Offline-Training, Leistungsoptimierung sowie die Implementierung von lokalen Lernregeln. Schließlich werden wir verschiedene Zeitseriendatensätze untersuchen, um die Realisierung von rekurrenten SNNs, die mit Neuro-Crossbar-Strukturen verbunden sind, zu demonstrieren und die Leistung des Systems im Vergleich zu konventionellen CMOS-basierten SNN- und rein memristiven ANN-Beschleunigersystemen zu bewerten. Diese Forschung zielt darauf ab, den Stand der Technik um einen neuen Neuro-Crossbar-Baustein zu erweitern und ein umfassendes Verständnis für die Machbarkeit der praktischen Realisierung von memkapazitiven SNN-Systemen auf der Grundlage hochintegrierter Bauelementekonzepte zu schaffen.