Direkt zum Inhalt

Ziel des Vorhabens ist die Entwicklung eines KI-Beschleunigers mit einer flexiblen, erweiterbaren und skalierbaren System-on-Chip-Architektur (SoC). Für einen niedrigen Energieverbrauch wird der Beschleuniger für KI-Algorithmen im Bereich des autonomen Fahrens optimiert und in der energieeffizienten 22-nm-FDX-Halbleitertechnologie gefertigt. Darüber hinaus wird ein Ökosystem aufgebaut, das ein Entwicklungssystem sowie ein deutsches Partnernetzwerk mit Know-how im KI-Hardware-Entwurf vereint. Die Flexibilität und Skalierbarkeit der Prozessorplattform wird anhand von Demonstratoren verifiziert.

In Zuse-KI-mobil wird eine flexible und über alle Leistungsklassen skalierbare Prozessor-Plattform mit energieeffizienter Halbleiter-Technologie für ressourcenintensive Anwendungen der künstlichen Intelligenz (KI) entwickelt. Sie kombiniert hohe Rechenleistung bei niedrigem Energieverbrauch mit flexibler System-on-Chip-Architektur und ermöglicht dadurch leistungsfähige, skalierbare und anwendungsbezogene Entwicklung zukünftiger KI-Hardware. Vom Stand der Technik abheben wird die neue Plattform das Verhältnis von Rechenleistung zu elektrischer Verlustleistung, die mit Skalierungseffekten 300 bis 400 TOPs bei einer Leistungsaufnahme von deutlich unter 100 W betragen soll. Es kommt zunächst eine 22 nm Halbleitertechnologie (22FDX von GlobalFoundries) zum Einsatz, die hohe Energieeffizienz bei moderaten Kosten ermöglicht. Zur Skalierung der Leistungsdaten werden auch kleinere Strukturgrößen bis 8 nm und andere Halbleitertechnologien/-prozesse in Betracht gezogen Der Entwicklungsschwerpunkt liegt auf einem neuartigen KI-Hardwarebeschleuniger, der durch angepasstes Hard-/Software Co-Design effiziente, optimierte, anwendungsspezifische Gesamtlösungen ermöglicht. Weiterhin wird ein Ökosystem für den breiten Einsatz des entwickelten SoCs aufgebaut. Für die multidimensionale Optimierung der Architektur auf allen Ebenen hinsichtlich der Energie-Effizienz und funktionalen Sicherheit, werden neuartige Neuronale Netze zur Sensordatenfusion zur Objektdetektion entwickelt. Die Daten von mehreren Kameras, Lidar- und Radarsensoren werden situationsabhängig durch moderne Methoden des maschinellen Lernens vorteilhaft fusioniert. Auf diese Weise wird die Robustheit bei unterschiedlichen Wetterbedingungen und Teilausfällen erhöht und die generelle Erkennungsleistung weiter gesteigert. Neben dem Einsatz für das automatisierte Fahren werden auch Anwendungsfälle aus dem Bereich von Drohnen und der Industrie betrachtet. Die Projektergebnisse werden im Rahmen von Demonstratoren präsentiert.

Begin
End