(NC)^2: MXeen NanoComposieten voor nieuwe efficiënte Neuromorphic Computing

Traditionele computerarchitecturen, gebaseerd op het Von Neumann model, hebben te maken met fundamentele beperkingen in een tijdperk van steeds complexere en gegevensintensieve toepassingen. Deze beperkingen komen voort uit de scheiding tussen geheugen- en rekeneenheden en het seriële karakter van gegevensverwerking van conventionele computers. De scheiding tussen reken- en geheugeneenheden zorgt voor veelvuldige gegevensoverdracht tussen deze eenheden, wat leidt tot een hoog energieverbruik en een lange wachttijd. Tegelijkertijd beperkt sequentiële gegevensverwerking het vermogen van computers om grootschalige parallelle berekeningen efficiënt uit te voeren, wat essentieel is voor gegevensintensieve verwerking, zoals voor grote taalmodellen en andere toepassingen op het gebied van kunstmatige intelligentie. Neuromorfische en in-memory computing pakt de genoemde problemen aan door biologische neurale netwerken na te bootsen. Net als de synaptische verwerking in de hersenen is neuromorf computergebruik analoog en gebeurtenisgestuurd, het voegt geheugen en rekenkracht samen en maakt efficiënte parallelle rekenkracht mogelijk. In dit project stellen we innovatieve 2D materiaalgebaseerde nanocomposieten voor met neuromorf afstembaar gedrag om neurale netwerken efficiënt te implementeren en rechtstreeks in hardware te trainen. MXenes, een opkomend geleidend 2D-materiaal, zal worden onderzocht voor de neuromorfische composietmaterialen, en inkjetprinten wordt voorgesteld om de precieze patronen van de apparaten mogelijk te maken voor betere prestaties. Er zullen twee verschillende architecturen (een elektrochemische transistor en een memristor) worden ontwikkeld, die veelzijdige implementatie mogelijk maken. Tot slot zullen we een nieuwe hardware-implementatie van backpropagatie gebruiken om efficiënte in situ training van MXene-gebaseerde meerlaagse neurale netwerken mogelijk te maken en onze aanpak te demonstreren en te benchmarken met steeds complexere classificatieproblemen direct op de chip.

Trefwoorden:Neuromorphic electronics, Functional nanocomposites, Printed electronics, On-chip learning, MXenes

Disciplines:Nanomaterialen, Neuromorphic computing