Im Zeitalter der Digitalisierung und des Internet der Dinge (IoT) wächst der Bedarf an energieeffizienten und schnellen Berechnungssystemen exponentiell. Insbesondere die Differenzialrechnung, die Grundlage zahlreicher Anwendungen von der Mathematik über Physik bis hin zur Bildverarbeitung, stellt bei klassischen digitalen Computersystemen große Herausforderungen dar. Herkömmliche Methoden erfordern umfangreiche Datenübertragungen zwischen Speicher und Recheneinheit, was Energieverbrauch und Verzögerungen erzeugt und letztlich die Leistungsfähigkeit der Systeme einschränkt. Die In-Memory Ferroelectric Differentiator-Technologie markiert hier einen bedeutenden Fortschritt. Sie verlegt die Differenzialberechnung direkt in den Speicher und nutzt hierfür die dynamischen Eigenschaften von Ferroelektrika, um Differenzen effektiv und mit minimalem Energieaufwand zu ermitteln.
Im Zentrum dieser Innovation steht das Prinzip der automatischen Differenzialberechnung anhand der Umkehrung von ferroelektrischen Domänen. Ferroelektrische Materialien sind in der Lage, eine spontane elektrische Polarisation aufzuweisen, die sich durch externe elektrische Felder reversibel umkehren lässt. Insbesondere Organische Ferroelektrika wie Kopolymere von Poly(vinylidene fluoride-trifluoroethylene) (P(VDF-TrFE)) zeigen eine stabile, reproduzierbare Domänenumkehrung, die als physikalische Basis für differenzielle Operationen genutzt werden kann. Durch die geschickte Anordnung dieser Ferroelektrika in einer passiven Crossbar-Array-Architektur mit 1600 Einheiten lassen sich hochparallele Prozesse realisieren, die Differenzialberechnungen sowohl erster als auch zweiter Ordnung analoge und in Echtzeit ermöglichen. Ein wesentlicher Vorteil der In-Memory Differentiator-Technologie liegt in der drastischen Reduzierung des Datenverkehrs.
Während herkömmliche Systeme früherer und aktueller Bilder mehrere Speicherzugriffe und Rechenoperationen erfordern, erfolgt bei der ferroelektrischen Variante die Berechnung der Differenz direkt in der Speichereinheit. Nur wenn sich ein Pixelwert zwischen zwei Bildern ändert, erfolgt durch die Umkehrung einer ferroelektrischen Domäne eine deutliche Stromspitze – so werden Bewegungen oder Änderungen sofort und mit geringstem Aufwand erfasst. Diese Art der Prozessintegration entspricht der Funktionsweise neuronaler Netzwerke im menschlichen Gehirn, das lokale und parallele Datenverarbeitung zum Energie- und Ressourcenschutz nutzt. Das Prinzip wurde eindrucksvoll bei der Berechnung von mathematischen Funktionen demonstriert. Durch das sequenzielle Programmieren von Ferroelektrika, die verschiedene Werte eines Funktionsbereichs repräsentieren, und Erfassen der resultierenden Domänenumschaltungen ließen sich präzise Ableitungen einer Parabelfunktion berechnen.
Diese experimentellen Resultate zeigen eine hohe Übereinstimmung mit theoretischen Erwartungen und bestätigen die hohe Genauigkeit, die durch ferroelektrische In-Memory-Differenzierer erreicht werden kann. Eine der beeindruckendsten Anwendungen dieser Technologie ist die Bewegungserkennung in Bildsequenzen. Das System empfängt Bilddaten von CMOS-Bildsensoren, wandelt diese in ausgeprägte Spannungsimpulse um, welche die jeweilige Pixelhelligkeit widerspiegeln. Nur wenn sich Pixelwerte zwischen aufeinanderfolgenden Bildern unterscheiden, kommt es zu Domänenumschaltungen im ferroelektrischen Speicher und damit zu signalisierten Bewegungen. Dies ermöglicht eine Echtzeit-Bewegungsdetektion bei minimalem Energieverbrauch von gerade einmal 0,24 Femtojoule pro Berechnung, eine Dimension, die mit herkömmlichen Methoden nicht vergleichbar ist. Die Verarbeitungsfrequenz dieser Systeme liegt bei etwa 1 MHz, begrenzt durch die organischen Materialien, die bisher eingesetzt wurden.
Potenzial für noch höhere Geschwindigkeit besteht durch den Einsatz anorganischer Ferroelektrika mit sub-Pikosekunden-Domänenumschaltzeiten. Somit erscheinen Anwendungen möglich, die selbst anspruchsvollste Echtzeit-Videodatenströme bewältigen können. Neben der Geschwindigkeit und Effizienz beeindruckt auch die Retentionsfähigkeit der ferroelektrischen Domänen, die für mehr als fünf Tage bei Raumtemperatur erhalten bleiben. Dadurch können Bilddifferenzen über extrem große Zeitspannen ohne zusätzlichen Speicheraufwand realisiert werden. Dies eröffnet neue Einsatzfelder etwa in der industriellen Defekterkennung, wo langzeitige Überwachungen notwendig sind, ohne ständig aktuelle Momentaufnahmen in großen Speichern abzulegen.
Praktische Demonstrationen der Technologie zeigen die Fähigkeit, Veränderungen auf Silizium-Wafern zu erfassen, die Bewegung von Personen in Echtzeit zu extrahieren und selbst in langsam veränderlichen Umgebungen differenzielle Bildinformationen zuverlässig zu ermitteln. Die Integration der Differenzialberechnung in das Speicherarray reduziert den Bedarf an Microcontroller-basierten Rechenschritten deutlich. So entsteht ein energieeffizientes System mit einer berechneten Leistung von circa 4,17 Peta-Operationen pro Sekunde und Watt (POPS/W), was den fünf- bis sechsfachen Wert moderner CPUs und GPUs bei weitem übertrifft. Wesentlich für die erfolgreiche Umsetzung im passiven Crossbar-Array ist die nichtlineare Dynamik der ferroelektrischen Domänen. Das schmale Umschaltfenster sorgt für eine Unterdrückung von sogenannten Sneak-Pfaden, also unerwünschten Stromwegen, die sonst die Klarheit und Genauigkeit der Signale stören würden.
Ermöglicht wird damit ein selektives Umschalten nur an gezielten Speicherzellen, selbst ohne dedizierte Selektorelemente, was die Hardware erheblich vereinfacht und die Produktionskosten senkt. Die Skalierbarkeit der Lösung ist ebenfalls vielversprechend. Das Konzept ist theoretisch auf deutlich größere ferroelektrische Speicherarrays übertragbar, was die Verarbeitung komplexer Bilddaten in höherer Auflösung ermöglicht. Insbesondere werden neue Materialien wie hafniumbasierte Ferroelektrika diskutiert, die eine niedrige Betriebsspannung im Bereich von wenigen Volt erlauben und sich gut in bestehende CMOS-Technologien integrieren lassen. Dies könnte den Weg für kompakte, energiesparende und leistungsfähige Edge-Computing-Geräte ebnen. Die In-Memory Ferroelectric Differentiator-Technologie zeigt auch ihr Potenzial für biomimetische Anwendungen.
Analoge Rechenprozesse in der Speicherhardware entsprechen der Informationsverarbeitung im Nervensystem und können damit Grundlage für neuromorphe Systeme bilden, die Sensordaten direkt vor Ort auswerten. Diese Vorgehensweise reduziert Latenzen, erhöht die Robustheit gegenüber Störungen und erlaubt den Einsatz in kontinuierlich arbeitenden Überwachungssystemen, Robotik oder autonomen Fahrzeugen. Die Forschung rund um ferroelektrische Speicher und in-memory Computing steht trotz vielversprechender Ansätze noch am Anfang. Herausforderungen wie die Verbesserung der Materialstabilität, Integration in komplexe Systemarchitekturen und die Entwicklung passender Steuerelektronik müssen noch bewältigt werden.
Zugleich bieten die experimentellen Erfolge der In-Memory Ferroelectric Differentiator jedoch eine klare Vision, wie künftige Rechnerhardware mit deutlich reduzierten Energiemengen und verbesserter Geschwindigkeit Differenzialoperationen, Bewegungsdetektion und differenzielle Bildverarbeitung realisieren kann. Zusammenfassend eröffnet der ferroelektrische In-Memory Differentiator einen vielversprechenden Weg hin zu energieeffizienten, schnellen und hochparallelen Rechenlösungen. Seine Fähigkeit, mathematische Differenzialberechnungen direkt im Speicherelement durchzuführen und gleichzeitig Veränderungen in visuellen Daten eindrucksvoll zu erkennen, positioniert diese Technologie als Schlüsselkomponente für die nächste Generation intelligenter Systeme. Gerade in Zeiten, in denen Edge Computing, Künstliche Intelligenz und Echtzeitdatenverarbeitung immer größere Bedeutung erlangen, bietet die ferroelectric in-memory computing-Technologie entscheidende Wettbewerbsvorteile.
Die Verschmelzung von Speicher und Rechenoperationen, ermöglicht durch die physikalischen Eigenschaften ferroelektrischer Materialien, könnte deshalb zukünftig die Architektur von Rechensystemen grundlegend verändern und damit neue Maßstäbe setzen.
