Die künstliche Intelligenz (KI) gewinnt in der modernen Gesellschaft immer mehr an Bedeutung. Von der Verbesserung wissenschaftlicher Analysen und Bildgebungsfähigkeiten über die vorausschauende Wartung und Überwachung von Abläufen in der Industrie bis hin zum beliebten KI-Chatbot ChatGPT fasst KI allmählich in vielen Bereichen der Gesellschaft Fuß; und ihre Möglichkeiten sind nur durch die verfügbare Hardware und Rechenleistung für die Softwarealgorithmen begrenzt.

Bereits heute trägt die Nanotechnologie – einschließlich der Nanomaterialien selbst und der Methoden der Nanofabrikation/Nanostrukturierung – dazu bei, Computerkomponenten zu verkleinern, elektronische Bauelemente effizienter zu machen und das allgemeine Leistungspotenzial von Computertechnologien zu verbessern (da mehr Komponenten pro Fläche untergebracht werden können als bei größeren Materialien).

Da die Rechenleistung und die technologischen Anforderungen an KI-Technologien in allen Bereichen der Gesellschaft zunehmen, muss auch die Hardware mithalten können. Die Nanotechnologie hat bereits Auswirkungen auf die Optimierung in allen Bereichen des Computersektors, und dies gilt auch für die Hardware, die für den Betrieb und die Unterstützung von KI-Algorithmen verwendet wird.

Memristive Bauelemente

In jüngster Zeit ist das Interesse an Nanomaterialien für memristive Bauelemente stark gestiegen, und es gibt zahlreiche Forschungsarbeiten, bei denen nanotechnologisch unterstützte memristive Bauelemente für unterschiedlichste Anwendungen eingesetzt werden. Bei memristiven Bauelementen handelt es sich um Bauelemente mit zwei Anschlüssen (mit einer Metall/Isolator/Metall-Stack-Architektur), die als Widerstandsschalter fungieren und einen Zustand des Innenwiderstands/der Leitfähigkeit beibehalten können, der auf dem Verlauf der an das Bauelement angelegten Spannung und des Stroms beruht – die meisten Memristoren, die heute untersucht werden, verwenden Kanäle im Nanomaßstab.

Aufgrund der Dünnschicht- und Nanomaterialien, aus denen sie bestehen, haben memristive Bauelemente einzigartige physikalische Eigenschaften, durch die ein schnelles und energiesparendes Schalten, eine Leitwertüberwachung und ein hohes Maß an Skalierbarkeit möglich sind. Es gibt eine Reihe von verschiedenen memristiven Bauelementen, die heute verwendet werden können. Dazu zählen Drift-Memristoren, Diffusions-Memristoren und Phasenänderungsspeicher (Phase Change Memory, PCM), die anhand der im Gerät verwendeten Schaltmaterialien und der Schaltdynamik des Geräts in diese Kategorien eingeteilt werden. Die Struktur von PCM-Bauteilen unterscheidet sich geringfügig, da zwischen den Metallschichten eine Phasenwechselschicht und eine Isolierschicht liegen und nicht nur eine reine Isolierschicht, aber die PCM-Technologie gehört zu den ausgereifteren memristiven Technologien auf dem Markt.

Memristive Bauelemente haben in der Regel zwei Betriebsarten – einen Lese- und einen Schreibmodus. Im Lesemodus wird der Stromleitwert störungsfrei erfasst. Im Schreibmodus wird der Stromleitwert im Bauelement programmiert, indem eine Spannung angelegt wird, die größer ist als der Schwellenwert des Bauelements, und diese Lese-/Schreibspannungen werden als Impulsfolgen kodiert. PCM-Bauelemente arbeiten anders, da sie die Phasenübergänge des Materials nutzen, um den spezifischen Widerstand des Bauelements zu ändern: Das Material wechselt von einem kristallinen Material mit niedrigem spezifischen Widerstand zu einem amorphen Material mit hohem spezifischen Widerstand.

Memristoren und PCM-Bauelemente auf der Basis von Nanomaterialien werden in verschiedenen Bereichen zur Verbesserung von KI-Hardware eingesetzt. Memristive Bauelemente und Phasenwechsel-Crossbar-Arrays wurden für Mixed-Signal-Inferenzmaschinen sowie in Spin-Device-basierten Faltungsbeschleunigern für neuronale Faltungsnetzwerke (CNN) eingesetzt. Memristor-Bauelemente werden auch in einer Reihe von Deep-Learning-Speichergeräten erprobt, darunter beispielsweise in Mixed-Signal-Beschleunigern für Deep-Learning-Algorithmen sowie für die Datenspeicherung und analoge Verarbeitungsprozesse.

Derzeit wird auch untersucht, ob Memristoren für die Speicherung und Verarbeitung in PIM-Architekturen (Processing-in-Memory) geeignet sind, um den Anwendungsbereich neuronaler Netze zu erweitern. Dieser Ansatz bietet auch die Möglichkeit, eine Software-/Hardware-Schnittstelle zu verwenden, mit der Entwickler einen Code für neuronale Netze erstellen können, der auf dem Beschleuniger läuft. Kürzlich wurden auch CIM (Computing-in-Memory)-Chips mit Memristor-Bauelementen im Nanomaßstab vorgestellt, die durch eine Verringerung der Latenz und eine Verbesserung der Genauigkeit der neuronalen Netze zur Realisierung wesentlich größerer neuronaler Netzmodelle eingesetzt werden könnten.

Magnetoelektrische Bauelemente

Der zweite große Bereich der auf Nanomaterialien basierenden Hardware-Geräte, die einen Einfluss auf die Genauigkeit und Effizienz von KI-Algorithmen haben könnten, sind magnetoelektrische Geräte. Magnetoelektrische Geräte bestehen aus übereinander gestapelten Schichten magnetischer Materialien und Isolatoren und nutzen die Ausrichtung der Polarisation des elektronischen Spins in den Metallschichten. Wenn die Polarisationen ausgerichtet sind, weist das Gerät einen geringeren Widerstand auf, und jeder höhere Widerstandsgrad ist eine Funktion des Grades der Fehlausrichtung der Polarisation. Diese Bauelemente werden entweder durch eine angelegte Spannung oder durch Spin-Orbit-Ströme programmiert, je nach Anzahl der Anschlüsse im Bauelement.

Von allen magnetoelektrischen Bauelementen bieten magnetische Tunnelkontakte (Magnetic Tunnel Junction, MTJ) das größte Potenzial für KI-Hardware. Innerhalb der MTJ-Familie gibt es zwar eine Reihe von Bauelementen, doch die meisten bestehen aus zwei magnetischen Schichten, die durch eine Isolierschicht getrennt sind, wobei eine der magnetischen Schichten permanent auf eine bestimmte Achse magnetisiert ist und die Magnetisierung der anderen Schicht verändert wird, um unterschiedliche Widerstandswerte im gesamten Bauelement zu erzielen. MTJ-Bauelemente können entweder flüchtig oder nicht flüchtig sein, und ihre Nichtflüchtigkeit macht sie zu einem guten Kandidaten für den Einsatz in nanotechnologisch verbesserten KI-Applikationen. Zudem bieten MTJs aufgrund ihres geringeren Stromverbrauchs und ihrer Schaltzeiten im Sub-Nanosekundenbereich ein vielversprechendes Potenzial für KI-Hardware-Architekturen.

Es gibt eine Reihe von Bereichen, in denen MTJs für KI-Applikationen eingesetzt werden. Einer davon sind probabilistische Modelle wie Restricted Boltzmann Machines (RBM) und Deep Belief Networks (DGNs). Die Architektur der Hardware für diese Modelle besteht aus schichtweisen Strukturen für die Multiplikations- und Akkumulationsoperationen der in diesen Modellen verwendeten neuronalen Netzen. Bei der Implementierung von Materialien im Nanomaßstab in diese Architekturen wurde eine Crossbar-Architektur verwendet, wobei sowohl MTJs als auch Memristor-Systeme in der Hardware für diese Modelle eingesetzt wurden. Die Hardware-Architektur weist Ähnlichkeiten mit reinen CMOS-Architekturen auf und unterscheidet sich nur durch die Verwendung von MTJ-Crossbars für Multiplikationsberechnungen.

Ein weiterer Bereich, in dem MTJs untersucht und eingesetzt werden, sind probabilistische grafische Modellarchitekturen (PGM). Die Rechenzellen enthalten sowohl Rechenschaltungen als auch Speicher in Form von Conditional Probability Tables (CPTs). In diesen CPTs sorgt die Nichtflüchtigkeit von MTJs für ein vollständig verbundenes neuronales Netz und einen geringen Stromverbrauch, der Latenzen beim Speicherzugriff vermeidet. In einigen dieser Architekturen übernehmen die MTJ-Bauteile sowohl die Rolle des Speichers als auch die der Rechenschaltungen.

Fazit

In verschiedenen Bereichen der Gesellschaft wird die KI immer leistungsfähiger. Nanomaterialien und Architekturen im Nanomaßstab werden jetzt in verschiedenen Bauelementen erprobt, z. B. in Memristoren, Bauelementen aus Phasenwechselmaterialien und magnetischen Tunnelkontakten, die dazu beitragen könnten, Algorithmen für neuronale Netze und Deep Learning weiter zu verbessern. Nanomaterialien haben bereits einen großen Einfluss auf die Verbesserung und Miniaturisierung von Computerhardware, und es ist durchaus möglich, dass KI-spezifische Hardware einer der nächsten Bereiche der Datenverarbeitung ist, der dank Nanomaterialien erhebliche Verbesserungen erfährt.