Der Professor für KI-Prozessordesign an der TUM hat bereits die ersten Prototypen beim Halbleiterhersteller GlobalFoundries in Dresden in Auftrag gegeben. Anders als bei herkömmlichen Chips sind Rechen- und Speichereinheit des AI Pro zusammen angeordnet. Möglich macht dies das Prinzip des „hyperdimensionalen Rechnens“: Der Chip erkennt Ähnlichkeiten und Muster, benötigt aber keine Millionen von Datensätzen zum Lernen.
Anstatt ihm unzählige Bilder von Autos zu zeigen, wie es bei der in herkömmlichen KI-Chips verwendeten Deep-Learning-Methode der Fall ist, kombiniert dieser Chip diverse Daten, beispielsweise die Tatsache, dass ein Auto vier Räder hat, üblicherweise auf der Straße fährt und unterschiedliche Formen haben kann. Wie der neue Chip, erklärt Professor Amrouch, „ziehen auch Menschen Schlüsse und lernen durch Ähnlichkeiten.“
Ein entscheidender Vorteil des gehirnähnlichen Denkens: Es spart Energie. Für das Training einer Beispielaufgabe verbrauchte der neue Chip 24 Mikrojoule, während vergleichbare Chips zehn- bis hundertmal mehr Energie benötigten – „ein Rekordwert“, bemerkt Professor Amrouch. „Diese Kombination aus moderner Prozessorarchitektur, Algorithmenspezialisierung und innovativer Datenverarbeitung macht den KI-Chip zu etwas Besonderem.“ Dies unterscheidet ihn auch von Allround-Chips, wie beispielsweise denen des Industriegiganten NVIDIA. „Während NVIDIA eine Plattform geschaffen hat, die auf Cloud-basierten Daten beruht und verspricht, jedes Problem zu lösen, haben wir einen KI-Chip entwickelt, der maßgeschneiderte Lösungen ermöglicht. Hier schlummert ein riesiger Markt.“
Neuromorphe Chips: inspiriert vom menschlichen Gehirn.
Der nur einen Quadratmillimeter große Chip kostet aktuell 30.000 Euro. Mit rund 10 Millionen Transistoren ist er zwar nicht so dicht und leistungsstark wie die Chips von NVIDIA mit ihren 200 Milliarden Transistoren, doch das ist nicht das, was Professor Amrouch am meisten beunruhigt. Sein Team hat sich auf KI-Chips spezialisiert, die Daten direkt vor Ort verarbeiten, anstatt sie zur Verarbeitung in die Cloud zu senden, wo sie zusammen mit Millionen anderer Datensätze verarbeitet werden, bevor sie zurückgesendet werden. Das spart Zeit und Serverleistung und reduziert den CO₂-Fußabdruck der KI.
Die Chips werden zudem für spezifische Anwendungen angepasst. „Das macht sie sehr effizient“, sagt Chip-Experte Amrouch. Sie konzentrieren sich beispielsweise auf die Verarbeitung von Herzfrequenz und anderen Vitaldaten, die über Smartwatches oder Drohnennavigationsdaten erfasst werden. Da diese persönlichen und mitunter sensiblen Daten auf dem Gerät verbleiben, gibt es keine Probleme mit der Stabilität der Internetverbindung oder der Cybersicherheit. Der Chip-Experte ist überzeugt: „Die Zukunft gehört denen, die die Hardware besitzen.“
Weitere Informationen:
Professor Hussam Amrouch ist seit zwei Jahren an der TUM. Der Lehrstuhl für KI-Prozessordesign wurde im Rahmen der Bayerischen Technologieagenda eingerichtet. Weitere Informationen: https://www.hightechagenda.de/
Professor Hussam Amrouch ist zudem aktiv am Institut für Robotik und Künstliche Intelligenz in München (MIRMI) tätig. Seine Chipentwicklungen sind relevant für die Bereiche Gesundheit, Umwelt und Raumfahrt. Weitere Informationen zu MIRMI: https://www.mirmi.tum....artseite//
Veröffentlichungen:
Sandy Wasif, Paul Genssler und Hussam Amrouch. „Domain-Specific Hyperdimensional RISC-V Processor for Edge-AI Training.“ IEEE Transactions on Circuits and Systems I: Regular Papers (2025). https://ieeexplore.iee...t/10931124
Soliman, Taha, Swetaki Chatterjee, Nellie Laleni, Franz Müller, Tobias Kirchner, Norbert Wehn, Thomas Kämpfe, Yogesh Singh Chauhan und Hussam Amrouch. „First Demonstration of a Crossbar of In-Memory Computing Using Multilevel Cell FeFET.“ Nature Communications 14, Nr. 1 (2023): 6348. https://www.nature.com...23-42110-y
Wei-Ji Chao, Paul R. Genssler, Sandy A. Wasif, Albi Mema, Hussam Amrouch, „End-to-end Hyperdimensional Computing with 24.65 µJ per Training Sample in 22 nm Technology“, eingereicht bei der European Solid-State Electronics Research Conference (ESSERC). Preprint verfügbar: https://go.tum.de/440497
