Automobilhalbleiter der nächsten Generation:Der Schlüssel zu fahrerlosen Autos der Stufe 5

Elektronik &Sensoren INSIDER

Ein Blick auf die Halbleiter der nächsten Generation, die wir für den Antrieb der völlig selbstfahrenden Fahrzeuge von morgen benötigen. (Bild:Die Forscher)

Die fahrerlosen Robotaxis, die durch San Francisco chauffieren, und die fortschrittlichen Fahrerassistenzfunktionen von mehr als der Hälfte der in diesem Jahr verkauften Neufahrzeuge zeigen, wie weit die autonome Fahrzeugtechnologie fortgeschritten ist. Aber um das Versprechen der Autonomie der Stufe 5 zu erfüllen, Autos, die unter allen Bedingungen überall hinfahren, brauchen Experten eine neue Generation von Halbleitern.

„Autos gelten seit einiger Zeit als Computer auf Rädern, aber um vollständige Autonomie zu erreichen, müssen sie eher wie fahrende Rechenzentren sein“, sagte Valeria Bertacco, Professorin für Informatik und Ingenieurwesen am Mary Lou Dorf Collegiate. „Um diesen Sprung zu schaffen, wird die Automobilindustrie neue Materialien, Architekturen, Systeme und Herstellungsprozesse für Chips benötigen, die schneller, billiger, stromsparender und langlebiger sind.“

Forscher der University of Michigan arbeiten mit globalen Branchenführern zusammen, um AV-Computersysteme neu zu konzipieren. Die Bemühungen werden mit 10 Millionen US-Dollar vom Bundesstaat Michigan an die Initiative Michigan Semiconductor Talent and Technology for Automotive Research (mstar) unterstützt, zu der auch imec, KLA, die Michigan Economic Development Corporation, das Washtenaw Community College und General Motors gehören.

Automatisierte Fahrzeuge erfordern eine immense Rechenleistung, die mit jedem Grad an Autonomie exponentiell wächst. „Dies ist ein eingeschränktes, eingebettetes System“, sagte Reetuparna Das, außerordentliche Professorin für Informatik und Ingenieurwesen. „Der Bedarf an effizienterer KI-Hardware ist sehr gut bekannt. Es ist ein Milliardenmarkt.“

Letztes Jahr besichtigten Vertreter der Halbleiterindustrie die Mcity Test Facility und blickten zum Horizont. „Es ist großartig zu sehen, wie Menschen zusammenkommen, um diese Aspekte anzugehen“, sagte Michael Sun, der die Automotive-Business-Development-Abteilung bei TSMC mit Sitz in Taiwan leitet. „Ich arbeite schon lange in diesem Bereich und ich denke, dass es derzeit viel Dynamik gibt.“

Die Deep-Learning-Netzwerkmodelle in heutigen AVs ahmen grob die Struktur eines biologischen Gehirns nach, arbeiten jedoch viel weniger effizient. Sie verarbeiten einen kontinuierlichen Strom ungefilterter Daten. U-M-Forscher entwickeln einen Ansatz, der das Gehirnverhalten und nicht die Struktur nachahmt. Es erfasst Kontraste, Bewegungen und plötzliche Ereignisse, ähnlich wie unser Gehirn und unsere Augen zusammenarbeiten, um unsere Aufmerksamkeit zu filtern und zu fokussieren.

Sie testen einen effizienteren Prozessor namens neuromorpher Chip, der auf ihrer Wolframoxid-Memristor-Technologie und einem Begleitalgorithmus für ein „Spiking Neural Network“ basiert. „Neuromorphe Sensoren erfassen keine Bilder wie herkömmliche Kameras. Stattdessen erkennen sie Änderungen in jedem Pixel unabhängig“, sagte Wei Lu, James R. Mellor, Professor für Ingenieurwissenschaften im Maschinenbau.

Während bei der herkömmlichen „System-on-a-Chip“-Architektur alle Komponenten auf einem einzigen Stück Silizium gedruckt werden, stoßen die Rechenanforderungen von AVs hinsichtlich der physischen Größe und Komplexität an ihre Grenzen. Beim Chiplet-Ansatz handelt es sich um kleinere, modulare Komponenten, die auf einer Leiterplatte gemischt und aufeinander abgestimmt werden können, um maßgeschneiderte, langlebige Systeme zu bauen. U-M-Forscher entwickeln ein robusteres Chiplet-Kommunikationsprotokoll, das jahrelang in einem fahrenden Fahrzeug funktionieren kann. „Die Chiplet-Kommunikation muss nicht nur robust, sondern auch hinsichtlich Energie und Bandbreite effizient sein“, sagte Mike Flynn, Fawwaz T. Ulaby Collegiate Professor für Elektrotechnik und Computertechnik. „Wir versuchen, es auch schnell und stromsparend zu machen.“

Quelle