Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Understanding and Engineering Resistive Switching towards Robust Neuromorphic Systems

Opis projektu

Zaawansowana technologia wydajnych obliczeń inspirowanych mózgiem

Obliczenia neuromorficzne to gałąź informatyki i inżynierii, która czerpie inspirację z architektury i funkcjonowania ludzkiego mózgu w celu projektowania i budowania bardziej wydajnych i podobnych do mózgu systemów obliczeniowych. Urządzenia memrystorowe pozwalają na emulowanie synaps, dlatego też badacze interesują się wykorzystaniem ich w obliczeniach neuromorficznych. Finansowany przez Europejską Radę ds. Badań Naukowych projekt RobustNanoNet zakłada rozwiązanie problemów dotyczących wydajności memrystorów poprzez ulepszenie technologii przełączania rezystancyjnego. Naukowcy opracują urządzenia wykorzystujące nowe materiały, przetestują ich osiągi i zbadają ich zastosowanie w zaawansowanych systemach obliczeniowych przeznaczonych do uczenia maszynowego. Celem jest stworzenie technologii wydajnych i niezawodnych obliczeń inspirowanych mózgiem.

Cel

Resistive switching refers to the controlled change in resistance of an electronic material, e.g. metal oxide, via the creation and modulation of nanoscale filaments. Although its physics is not yet fully understood, resistive switching devices (called memristors) are promising as efficient artificial synapses in neuro-inspired computing systems. However practical challenges exist. Current devices excel in only a few of the performance metrics necessary for circuit and system integration. Moreover, they exhibit non-idealities causing neuromorphic systems using these devices to have low performance. The project will address this key issue by pursuing device-system co-optimization across four objectives, aiming to engineer a single “hero” resistive switching technology with all the desired metrics. Aim 1 will develop resistive switching devices based on a new class of materials with broad compositional space, called high entropy oxides. Promising compositions will be fabricated in a high throughput fashion. In Aim 2, a proposed characterization method via a state-of-the-art mid-infrared laser will help understand in-operando the filamentary switching at nanoscale and uncover the physical mechanisms behind its non-idealities. The fabrication and characterization will iteratively target a broad range of performance metrics. Some metrics can only be quantified across a population of devices, so Aim 3 will integrate the optimized devices on transistor circuitry for benchmarking at scale. Aim 4 targets the applicability of these devices to next generation neuromorphic systems for machine learning training. Preliminary work on a multi-layer neural network validated this concept and indicated the need for co-optimization, as proposed. RobustNanoNet will address the interdisciplinary challenges towards a reliable resistive switching technology to support robust neuromorphic systems for energy efficient computing.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2022-STG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

INSTITUTUL NATIONAL DE CERCETAREDEZVOLTARE PENTRU MICROTEHNOLOGIE
Wkład UE netto
€ 2 446 250,00
Koszt całkowity
€ 2 446 250,00

Beneficjenci (1)