Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Ferroelectric Leaky Integration for Computational Efficiency

Projektbeschreibung

Anpassungsfähige, stromsparende Edge-KI

Edge-KI-Systeme, wie sie etwa in autonomen Fahrzeugen oder in der medizinischen Diagnostik eingesetzt werden, benötigen schnelle, energieeffiziente Hardware für die Datenverarbeitung und die Anpassung in Echtzeit an anspruchsvolle Bedingungen. Bei herkömmlichen Designs sind der Speicher und die Verarbeitung jedoch voneinander getrennt, was zu hohen Energiekosten führt. Das ERC-finanzierte Projekt FELICE beabsichtigt, den Speicher und die Verarbeitung durch die Nutzung ferroelektrischer Leaky-Integrate-and-Fire-Neuronen und FeFET-basierter nichtflüchtiger Speicher in ein kompaktes System zu integrieren. Dieses Design ermöglicht eine effiziente Verarbeitung zeitlicher Informationen und ein Echtzeitlernen ohne externes Training. Das auf dem 28-nm-Technologieknoten basierende Design trägt zur Skalierbarkeit und ökonomischen Realisierbarkeit bei. Die Projektaktivitäten stellen einen wichtigen Fortschritt bei der Entwicklung intelligenterer und effizienterer KI-Systeme für Edge-Anwendungen dar.

Ziel

The rapid growth of AI demands efficient hardware solutions that enable real-time learning and decision-making in power-constrained edge applications, such as autonomous systems, medical diagnostics, and industrial monitoring. However, current AI hardware faces fundamental trade-offs between power consumption, processing efficiency, and accuracy, limiting its deployment at the edge. Traditional computing architectures separate memory and processing, leading to high energy costs associated with data movement, while existing neuromorphic and analog AI solutions often lack efficient on-chip learning capabilities. FELICE introduces a breakthrough approach to edge AI hardware by co-designing a novel computing architecture that integrates processing and memory within a single compact system. By leveraging ferroelectric leaky integrate-and-fire (FeLIF) neurons and FeFET-based non-volatile memory (NVM), FELICE enables efficient temporal information processing and real-time learning at significantly lower power and area requirements compared to conventional designs. This eliminates the need for external training, allowing AI models to adapt dynamically to changing conditions, a key advantage for edge applications operating in unpredictable environments. A core innovation of FELICE is its training methodology, which optimizes learning at different time scales, overcoming key limitations in temporal AI processing. Furthermore, the 28 nm technological node enhances energy efficiency, making FELICE a scalable and commercially viable solution. By integrating hardware and software co-optimization, FELICE extends the capabilities of current CMOS technology to enable energy-efficient AI deployment at the edge, offering a transformative step towards compact, adaptive, and real-time AI solutions in high-impact domains.

Wissenschaftliches Gebiet (EuroSciVoc)

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-ERC-POC - HORIZON ERC Proof of Concept Grants

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2025-POC

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

TECHNISCHE UNIVERSITAET MUENCHEN
Netto-EU-Beitrag
€ 150 000,00
Adresse
Arcisstrasse 21
80333 Muenchen
Deutschland
Region
Bayern Oberbayern München, Kreisfreie Stadt
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
Keine Daten

Begünstigte (2)