Bachelor/Master Thesis on Neuromorphic Testing and Reliability

  • chair:

    CDNC

  • Kontaktperson:

    M.Sc. Dennis Weller

  • Beschreibung

    Neuromorphic Computing ist ein interdisziplinäres Forschungsfeld, welches darauf abzielt energie-effiziente und performante Applikationen im Bereich der künstlichen Intelligenz, Bildverarbeitung und vielen weiteren Anwendungen zu ermöglichen. Diese Systeme ahmen biologische neuronale Systeme nach, und können durch den Einsatz paralleler Verarbeitung in Kombination mit maß angefertigten in Hardware implementierten Neuronen neuronale Berechnungen beschleunigen und somit konventionelle Hardware (CPU, GPU, FPGAs) an Leistung übertreffen. Durch diesen grundlegend verschiedenen Ansatz bezüglich der Hardware-Architektur, sind jedoch traditionelle Testmethoden nicht anwendbar. Um jedoch die Zuverlässigkeit und korrekte Funktion eines neuromorphen Chips zu gewährleisten, muss weitere Arbeit im Bereich der Fehleranalyse voranagetrieben werden und ein Konzept zur Entwicklung von Testmustern entwickelt werden. Dies geschieht aus einer systemübergreifenden Perspektive, welche sich erstreckt von den einzelnen Implementierungen der Synapsen hoch zu der Architekturebene des neuromorphen Chips.

    Description

    Neuromorphic Computing is gaining increasing interest as an energy-efficient and high-performance solution for artificial intelligence applications and the development of neural computing systems for vision systems and autonomous robots, to name a few. These analog circuits mimic neuro-biological architectures and are based on a technology different from conventional hardware realizations such as CPUs, GPUs, FPGAs and other recent architectures. These artificial neural networks (ANNs) do not follow classical Boolean logic and thus traditional testing and failure analysis methods cannot be applied. In order to guarantee proper operation and to meet reliability requirements, new testing approaches have to be developed. This requires insights at both the synapse level and architecture level of ANNs.

    Goals:

    This thesis aims at developing a simulation-based framework, which enables fault injection and failure analysis of neuromorphic architectures. Based on the fault models, test patterns are generated to locate structural and functional failures and to extract reliability mitigation schemes for neuromorphic circuits.

    Advantages for you:

    • Learn the fundamentals of neuromorphic computing.
    • Opportunity to work with industrial tools.

    Required and helpful knowledge:

    C/C++ Programming, basic knowledge about logic design

    Supervisors:

    Prof. Dr. Mehdi B. Tahoori
    Dennis Weller

    Contact person:

    dennis.weller@kit.edu