Künstliche neuronale Netzwerke (KNN) können in Sendern und Empfängern optischer Datenübertragungsstrecken zum Ausgleich von linearen und nichtlinearen Verzerrungen auf der Glasfaser eingesetzt werden. Dieser Ansatz verspricht gegenüber konventionellen Signalverarbeitungsverfahren eine höhere nachrichtentechnische Güte, Stabilität und Flexibilität. Die Berechnung von KNNs mit klassischen digitalen Rechenwerken bedingt aber einen hohen Chipflächen- und Energieaufwand. Daher ist es für die Entwicklung von effizienten optischen Datenübertragungsnetzen entscheidend, die Energieeffizienz der elektronischen Signalverarbeitung in den hochintegrierten Sende- und Empfänger-ASICs durch neue Schaltungstechniken zu steigern.
Integrierte analoge Rechenwerke bieten gegenüber klassischen binären Rechenwerken das Potential einer deutlich höheren Energie- und Flächeneffizienz. Allerdings wird in analogen Schaltungen die Rechengenauigkeit durch Rauschen, Nichtlinearitäten und Bauelementunterschiede geschmälert. Weiterhin sind althergebrachte analoge Signalverarbeitungschaltungen im Klasse-A-Betrieb nur wenig energieeffizient. In diesem Forschungsprojekt werden daher neue Konzepte für schnelle und energieeffiziente analoge Rechenschaltungen in einer fortgeschrittenen FDSOI CMOS-Technologie erforscht und für die breitbandige optische Datenübertragung angepasst.
Zunächst wird die Leistungsfähigkeit, Energieeffizienz, Genauigkeit, Stabilität und der mögliche Integrationsgrad verschiedener analoger Rechenschaltungskonzepte untersucht und bewertet. Anschließend wird ein analoger KNN-Entzerrer für eine spezifische Teilfunktion eines Sende- oder Empfangs-ASICs in einer optischen Übertragungsstrecke entworfen, gefertigt und charakterisiert. Abschließend wird die entwickelte Schaltung hinsichtlich ihrer Anwendbarkeit, Skalierbarkeit und Leistungsfähigkeit in KNN-basierten Sendern und Empfängern für optische Datenübertragungsnetze bewertet und mit digitalen Ansätzen verglichen.
Publikationen
2024
- J. Finkbeiner, R. Nägele, M. Grözing, M. Berroth, und G. Rademacher, „Characterization of a Femtojoule Voltage-to-Time Converter with Rectified Linear Unit Characteristic for Analog Neural Network Inference Accelerators“, in IEEE International Conference on Artificial Intelligence Circuits and Systems (AICAS), 2024, S. accepted.
- R. Nägele, J. Finkbeiner, M. Grözing, M. Berroth, und G. Rademacher, „Characterization of an Analog MAC Cell with Multi-Bit Resolution for AI Inference Accelerators“, in IEEE International Conference on Artificial Intelligence Circuits and Systems (AICAS), 2024, S. accepted.
2023
- R. Nägele, J. Finkbeiner, V. Stadtlander, M. Grözing, und M. Berroth, „Analog Multiply-Accumulate Cell with Multi-Bit Resolution for All-Analog AI Inference Accelerators“, IEEE Transactions on Circuits and Systems I: Regular Papers, Bd. 2023, S. 1--13, 2023.
2022
- J. Finkbeiner, R. Nägele, M. Berroth, und M. Grözing, „Design of an Energy Efficient Voltage-to-Time Converter with Rectified Linear Unit Characteristics for Artificial Neural Networks“, in IEEE International New Circuits and Systems Conference (NEWCAS), 2022, S. 327--331.
- R. Nägele, J. Finkbeiner, M. Berroth, und M. Grözing, „Design of an Energy Efficient Analog Two-Quadrant Multiplier Cell Operating in Weak Inversion“, in IEEE International New Circuits and Systems Conference (NEWCAS), 2022, S. 5--9.
Weiterführende Informationen
- Projektseite des Projektträgers
Automatisierte Telekommunikationsinfrastruktur mit intelligenten autonomen Systemen - Projektseite des internationalen Konsortiums
Accelerating digital transformation in Europe by Intelligent NETwork automation - Pressemitteilung des BMBF
Karliczek: Leistungsfähige Netzinfrastruktur ist zentrales Nervensystem für Wirtschaft und Gesellschaft
Kontakt
Jakob Finkbeiner
M. Sc.Wissenschaftlicher Mitarbeiter
Raphael Nägele
M. Sc.Wissenschaftlicher Mitarbeiter