Photonische Edge-KI-Chips für energieeffiziente Hochgeschwindigkeitsanwendungen - DE-TW-PNN -

Die Erforschung und Entwicklung von "energieeffizienter Edge-Computing-Hardware" ist ein wichtiges und gesellschaftlich hoch relevantes Forschungsthema. Die Herausforderungen für energieeffiziente KI-Hardware sind jedoch noch größer, wenn man bedenkt, dass in diesen Edge-Geräten auch Edge-Learning erforderlich ist, was die Verarbeitung noch größerer Datenmengen erfordert, um die Edge-Learning-Funktionalität mit ausreichender (Klassifikations-)Genauigkeit zu realisieren. Die oben genannten Forschungs- und Entwicklungsherausforderungen können nicht mit den derzeit modernsten CMOS-basierten Mikroelektroniklösungen oder sogar mit Post-Si-basierten Lösungen gelöst werden, obwohl bereits an besonders effizienten und kompakten 2-nm-CMOS-Technologieknoten geforscht wird. Um dieser Herausforderung zu begegnen, schlagen wir in diesem Forschungsprojekt vor, optische Inferenz- und vollständige Rechenfunktionen in KI-Edge-Realisierungen einzuführen, um sowohl den Engpass bei der Energieeffizienz als auch bei der Leistung, d.h. dem Datendurchsatz, zu überwinden. Im Einzelnen ist geplant, einen optisch basierten MAC-Kern auf der Basis von Multi-Lambda-Mach-Zehnder-Interferometern (MZI) zu realisieren, um die Faltungsberechnung, d.h. die Inferenz, durchzuführen. Dies wird nicht nur Low-Power-Echtzeit-Edge-Computing ermöglichen, sondern auch Edge-Learning auf der Basis eines PNN (Photonic Neural Network) mit "Green ICT & AI"-Algorithmus als vielversprechenden und innovativen Ansatz anstelle der bestehenden GPU+CPU+Memory-Lösungen entwickeln.