Next-Gen-Automobil-Halbleiter: Der Schlüssel zu Level-5-Fahrerlos-Autos

Electronics & Sensors INSIDER

Ein Blick auf die Next-Gen-Halbleiter, die wir brauchen, um morgige vollautonome Fahrzeuge anzutreiben.

Vom Computer auf Rädern zum rollenden Rechenzentrum

Die fahrerlosen Robotaxis, die durch San Francisco chauffieren, und die fortschrittlichen Fahrerassistenzfunktionen an mehr als der Hälfte der diesjährig verkauften Neuwagen zeigen, wie weit autonome Fahrzeugtechnologie gekommen ist. Doch um das Versprechen von Level-5-Autonomie – Autos, die sich überall unter allen Bedingungen selbst fahren – zu erfüllen, sagen Experten, dass wir eine neue Generation von Halbleitern brauchen.

„Autos werden schon eine Weile als Computer auf Rädern gesehen, aber um volle Autonomie zu erreichen, müssen sie eher wie rollende Rechenzentren sein“, sagt Valeria Bertacco, Mary Lou Dorf Collegiate Professor of Computer Science and Engineering. „Um diesen Sprung zu schaffen, wird die Autoindustrie neue Materialien, Architekturen, Systeme und Fertigungsprozesse für Chips brauchen, die schneller, günstiger, stromsparender und langlebiger sind.“

Michigan-Initiative mstar

Forscher der University of Michigan arbeiten mit globalen Industriepartnern zusammen, um AV-Computingsysteme neu zu denken. Der Einsatz wird durch 10 Millionen Dollar vom Bundesstaat Michigan an die Michigan Semiconductor Talent and Technology for Automotive Research (mstar) Initiative unterstützt, die auch imec, KLA, die Michigan Economic Development Corporation, Washtenaw Community College und General Motors umfasst.

Automatisierte Fahrzeuge erfordern immense Rechenleistung, die exponentiell mit jedem Autonomie-Level wächst. „Dies ist ein constrained, embedded System“, sagt Reetuparna Das, Associate Professor of Computer Science and Engineering. „Die Notwendigkeit effizienterer KI-Hardware ist bestens verstanden. Es ist ein Milliarden-Dollar-Markt.“

Letztes Jahr besuchten Halbleiterindustrie-Vertreter die Mcity Test Facility und blickten in die Zukunft. „Es ist großartig zu sehen, wie Menschen zusammenkommen, um diese Aspekte anzugehen“, sagte Michael Sun, der die Automotive-Business-Development-Unit bei TSMC in Taiwan leitet. „Ich arbeite seit langer Zeit in diesem Bereich und ich denke, es gibt derzeit viel Momentum.“

Neuromorphe Chips: Gehirnverhalten statt Gehirnstruktur nachahmen

Die Deep-Learning-Netzwerkmodelle in heutigen AVs ahmen lose die Struktur eines biologischen Gehirns nach, arbeiten aber weit weniger effizient. Sie verarbeiten einen kontinuierlichen Strom ungefilterter Daten. U-M-Forscher entwickeln einen Ansatz, der Gehirnverhalten statt Struktur nachahmt. Er fokussiert auf Kontrast, Bewegung 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, basierend auf ihrer Wolframoxid-Memristor-Technologie, und einen „Spiking Neural Network“-Begleitalgorithmus. „Neuromorphe Sensoren erfassen keine Frames wie herkömmliche Kameras. Stattdessen detektieren sie Änderungen in jedem Pixel unabhängig“, sagt Wei Lu, James R. Mellor Professor of Engineering in Mechanical Engineering.

Chiplet-Ansatz statt System-on-Chip

Während traditionelle „System-on-a-Chip“-Architektur alle Komponenten auf einem einzigen Siliziumstück druckt, stoßen AVs Rechenbedürfnisse an physische Größen- und Komplexitätsgrenzen. Der Chiplet-Ansatz involviert kleinere, modulare Komponenten, die auf einer Leiterplatte gemischt und kombiniert werden können, um maßgeschneiderte, langlebigere Systeme zu bauen. U-M-Forscher entwickeln ein robusteres Chiplet-Kommunikationsprotokoll, das jahrelang in einem fahrenden Fahrzeug funktionieren kann. „Nicht nur muss Chiplet-Kommunikation robust sein, sie muss auch energie- und bandbreiteneffizient sein“, sagt Mike Flynn, Fawwaz T. Ulaby Collegiate Professor of Electrical and Computer Engineering. „Wir versuchen, es hochgeschwindigkeits- und stromsparend zu machen.“

Quelle: University of Michigan