Analoge neuromorphe Computersysteme wie BrainScaleS-2 stoßen bei monolithischer Bauweise schnell an Grenzen: Größere Dies bedeuten überproportional steigende Fertigungskosten und sinkende Ausbeute, während die physikalische Nachbildung biologischer Neuronen und Synapsen naturgemäß viel Chipfläche benötigt. Ein Team der Universität Heidelberg schlägt daher einen Chiplet-Ansatz vor, bei dem mehrere kleinere Dies über ein gemeinsames Interconnection-Network verbunden werden, um die Vorteile von Kostenkontrolle und modularer Skalierung zu nutzen, ohne die charakteristische analoge Signalverarbeitung des Systems zu beeinträchtigen.
Anforderungen an das Verbindungsnetzwerk
Die zentrale Herausforderung liegt darin, ein Netzwerk zu entwerfen, das sowohl den Datenaustausch zwischen benachbarten Chiplets als auch die zeitkritische Kommunikation für die Emulation neuronaler Spikes zuverlässig unterstützt. Da BrainScaleS-2 auf einer beschleunigten, analogen Nachbildung neuronaler Dynamik basiert, sind Latenz und Synchronität zwischen den Chiplets besonders kritisch, um die Konsistenz der emulierten neuronalen Netzwerke über Chip-Grenzen hinweg zu gewährleisten. Das vorgestellte Konzept vereinheitlicht dabei unterschiedliche Kommunikationsanforderungen – etwa Konfigurationsdaten, Spike-Events und Analogsignal-Repräsentationen – in einer gemeinsamen Netzwerkarchitektur.
Für die Halbleiterfertigung ist dieser Ansatz auch deshalb interessant, weil er zeigt, wie Chiplet-Integration nicht nur für digitale Hochleistungsrechner, sondern auch für spezialisierte analoge und gemischte Architekturen nutzbar gemacht werden kann. Die Arbeit liefert damit einen Beitrag zur Frage, wie sich Advanced-Packaging-Techniken auf Anwendungsfelder jenseits klassischer CPUcentral processing unitZentrale Recheneinheit, die Programmbefehle verarbeitet und Datenoperationen ausführt.- und GPUgraphics processing unitEin Grafikprozessor, der auch als Beschleuniger für KI-Workloads eingesetzt wird.-Chiplets übertragen lassen, etwa auf neuromorphe oder andere unkonventionelle Rechenparadigmen.