guest ::
| 001 | 1019223 | ||
| 005 | 20251023053850.0 | ||
| 024 | 7 | _ | |2 HBZ |a HT031284150 |
| 024 | 7 | _ | |2 Laufende Nummer |a 44677 |
| 024 | 7 | _ | |2 datacite_doi |a 10.18154/RWTH-2025-08258 |
| 037 | _ | _ | |a RWTH-2025-08258 |
| 041 | _ | _ | |a English |
| 082 | _ | _ | |a 621.3 |
| 100 | 1 | _ | |0 P:(DE-588)137807212X |a Wang, Yongmin |b 0 |u rwth |
| 245 | _ | _ | |a Universal memcomputing in hardware realization of memristive cellular nonlinear networks (Mem²CNN) |c vorgelegt von Yongmin Wang, M. Sc. |h online |
| 260 | _ | _ | |a Aachen |b RWTH Aachen University |c 2025 |
| 300 | _ | _ | |a 1 Online-Ressource : Illustrationen |
| 336 | 7 | _ | |0 2 |2 EndNote |a Thesis |
| 336 | 7 | _ | |0 PUB:(DE-HGF)11 |2 PUB:(DE-HGF) |a Dissertation / PhD Thesis |b phd |m phd |
| 336 | 7 | _ | |2 BibTeX |a PHDTHESIS |
| 336 | 7 | _ | |2 DRIVER |a doctoralThesis |
| 336 | 7 | _ | |2 DataCite |a Output Types/Dissertation |
| 336 | 7 | _ | |2 ORCID |a DISSERTATION |
| 500 | _ | _ | |a Veröffentlicht auf dem Publikationsserver der RWTH Aachen University |
| 502 | _ | _ | |a Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025 |b Dissertation |c Rheinisch-Westfälische Technische Hochschule Aachen |d 2025 |g Fak06 |o 2025-09-24 |
| 520 | 3 | _ | |a Die zunehmende Komplexität moderner Anwendungen der Künstlichen Intelligenz (KI) erfordert Rechenarchitekturen, die dynamische und adaptive Prozesse energieeffizient in Echtzeit verarbeiten können. Nichtlineare Architekturen wie Cellular Nonlinear Networks (CNNs) haben sich als vielversprechende Lösung für KI- und neuromorphe Anwendungen etabliert. Aufgrund ihrer inhärenten Fähigkeit, komplexe Phänomene wie chaotische Dynamiken, die Erkennung komplexer Muster in Daten und multiskalare Wechselwirkungen zu modellieren, bieten sie deutliche Vorteile gegenüber linearen Systemen. Durch ihre nichtlineare Dynamik und die lokal-parallele Signalverarbeitung ähneln CNNs neuronalen Netzwerken und ermöglichen eine effiziente Verarbeitung von Sensordaten in Echtzeit. Damit gelten sie als aussichtsreiche Grundlage für künftige KI-Systeme, insbesondere in Anwendungen, die auf autonome Entscheidungsfindung, adaptives Lernen oder biologische Plausibilität, etwa in Edge-Computing-Plattformen angewiesen sind. Das klassische CNN wurde 1988 von Leon Chua und Lin Yang beschrieben. Es handelt sich um eine parallele Rechnerarchitektur, in der Zellen in einem Gitter angeordnet und über lokale Wechselwirkungen gekoppelt sind. Jede Zelle interagiert mit ihren Nachbarn, wodurch analoge Signalverarbeitung in Echtzeit möglich wird. Die gitterbasierte Struktur mit lokal beschränkter Kopplung eignet sich besonders für Aufgaben, die eine schnelle, dezentrale Verarbeitung erfordern, etwa bei der Echtzeit-Bildverarbeitung oder der Modellierung biologischer Prozesse. Darüber hinaus kommen CNNs auch bei der Lösung partieller Differentialgleichungen (PDEs) zum Einsatz, beispielsweise bei der Simulation von Reaktions-Diffusions-Systemen. Trotz dieser Vorteile stoßen klassische CNNs an eine Reihe von Grenzen. Erstens ist die Gestaltung der sogenannten Templates, also der Interaktionsregeln zwischen den Zellen, komplex. Fest definierte Templates lassen sich nicht ohne Weiteres auf unterschiedliche Aufgaben übertragen. Zweitens sind analoge Schaltungen anfällig gegenüber Fertigungsvariationen und Rauschen, während digitale Implementierungen häufig Kompromisse bei Geschwindigkeit und Energieeffizienz erfordern. Drittens entstehen bei der Skalierung Speicherengpässe, da jede Zelle einen eigenen lokalen Speicher benötigt. Dieses Problem ist auch als „Memory Wall“ bekannt und betrifft von-Neumann-Architekturen im Allgemeinen. Abhilfe schaffen hier bioinspirierte Rechenkonzepte, die als In-Memory Computing (IMC) bezeichnet werden. Bei diesen erfolgt die Datenverarbeitung direkt im Speicher, sodass ein physischer Transfer zwischen Speicher und Recheneinheit entfällt. Standard-CNNs sind eine vielversprechende Lösung für analoge Hochgeschwindigkeitsverarbeitung. Ihre Einschränkungen machen jedoch deutlich, dass hybride Architekturen oder technologische Weiterentwicklungen erforderlich sind. Memristive Bauelemente spielen in diesem Kontext eine zentrale Rolle. Sie kombinieren nichtflüchtigen Speicher, graduelle Schalteigenschaften, lange Lebensdauer, geringen Energieverbrauch und CMOS-Kompatibilität. Ihre Integration in CNN-Zellen eröffnet neue Möglichkeiten im Rahmen des IMC-Paradigmas. Infolgedessen gelten Memristive CNNs (M-CNNs) als ein aktives Forschungsfeld, da sie komplexe Aufgaben durch höhere Dynamik, Multitasking-Fähigkeit und bessere Skalierbarkeit effizienter lösen können. Trotz vielversprechender theoretischer Ansätze fehlt es bislang an physischer Umsetzung, um diese Architekturen für reale Anwendungen nutzbar zu machen. Hier setzt diese Dissertation an. Diese Arbeit schlägt eine Brücke zwischen der theoretischen Entwicklung memristiver Systeme und deren praktischer Realisierung. Ausgangspunkt ist ein systematischer Entwurf eines M-CNN-Frameworks auf Simulationsbasis unter Verwendung realistischer Modelle. Darauf aufbauend werden neue lokale Steuerregeln für M-CNNs entwickelt und experimentell validiert. Zum Abschluss erfolgt eine Hardware-Realisierung auf Leiterplattenebene (PCB). Das vorgeschlagene Framework adressiert bestehende Herausforderungen bei der Entwicklung adaptiver Templates und lokal definierter Interaktionsregeln. Es bietet einen strukturierten Ansatz zur Überwindung dieser Hindernisse. Anhand realer Halbleiterbauelemente wird die Funktionsfähigkeit experimentell belegt. Dies unterstreicht das Potenzial für künftige neuromorphe Rechensysteme.Im ersten Schritt wird ein neuer Template-Entwurfsansatz vorgestellt, der auf den Schalteigenschaften memristiver Bauelemente basiert. Anschließend wird ein Simulationsframework unter Verwendung eines kompakten, realitätsnahen Modells für memristive CNNs entwickelt. Zwei Bildverarbeitungsaufgaben dienen als Fallbeispiele zur Ableitung von Designregeln und zur Untersuchung struktureller Dynamik im Vergleich zu klassischen CNNs. Der Einfluss der Schaltcharakteristik memristiver Elemente auf die Systemleistung des M-CNNs wird systematisch analysiert und führt zu konkreten Gestaltungsempfehlungen. Ergänzend wird der Einfluss der Bauteil-zu-Bauteil-Variabilität memristiver Elemente auf die Funktionsweise der M-CNN-Zelle untersucht. Die Robustheit der entwickelten Templates wird durch Messungen mit realen memristiven Bauelementen validiert und optimiert. Der Einfluss der memristiven Integration auf die nichtlineare Dynamik wird mithilfe des grafischen Werkzeugs „Dynamic Route Map“ (DRM) analysiert. Abschließend wird ein kompakter PCB-Prototyp eines M-CNNs zur Kantendetektion präsentiert. Der Demonstrator belegt die Rechenfähigkeit des Systems auf Basis einer linearen Anordnung von Nanobauelementen und zeigt einen skalierbaren Pfad für eine zukünftige Implementierung in der Praxis auf. |l ger |
| 520 | _ | _ | |a The escalating complexity of contemporary artificial intelligence (AI) tasks has driven a critical need for computational frameworks capable of executing dynamic, adaptive processes with energy-efficient, real-time adaptability. Nonlinear computational architectures, such as Cellular Nonlinear Networks (CNNs), have emerged as critical enablers for AI and neuromorphic computing due to their inherent capacity to model intricate adaptive phenomena—including chaotic dynamics, spatiotemporal patterns, and multi-scale interactions—that linear systems are fundamentally inadequate for capturing. CNNs exemplify this paradigm through their intrinsic nonlinear dynamics and spatially localized parallelism, which directly emulate biological neural processes and enable real-time processing of spatiotemporal data. These attributes position CNNs as promising tools for advancing next-generation AI systems, particularly in applications requiring autonomous decision-making, adaptive learning, and biological plausibility, such as neuromorphic hardware and edge computing platforms. The standard CNN, introduced by Leon Chua and Lin Yang in 1988, is a parallel computing architecture composed of interconnected cells arranged in a grid. Each cell interacts with its neighbors through nonlinear dynamics, enabling real-time analog signal processing. Standard CNNs emphasize analog, grid-based parallelism with fixed-range connections, making them ideal for tasks requiring rapid, localized computations, such as real-time image processing and biomedical applications (e.g., modeling biological processes). Beyond image processing, CNNs are also widely used to solve certain types of Partial Differential Equations (PDEs), including the simulation of reaction-diffusion systems through local interactions. While traditional CNNs excel in low-power and localized signal processing, they face challenges. First, the design of templates—rules governing cell interactions—involves complexity, and fixed templates lack flexibility and standardization across diverse computing tasks. Second, their analog circuit origins render them sensitive to manufacturing variability and component noise, while digital implementations sacrifice speed and power efficiency. Third, scalability limitations arise because each processing element must integrate substantial memory banks to enable locally stored programmability, inheriting the "memory wall" problem inherent to von Neumann architectures. This limitation may be addressed by bio-inspired computing systems with in-memory computing (IMC) units, where data processing occurs directly within memory, eliminating data transfer between separate memory and processing units. Standard CNNs remain promising in analog computing for high-speed information processing, but their constraints underscore the need for hybrid architectures or advances in semiconductor technology. Memristive devices, with their non-volatile memory capabilities, nano-scale switching properties, endurance, stack ability, low energy consumption, and CMOS compatibility, are pivotal to the IMC paradigm. Integrating memristive devices into CNN computing elements has emerged as an actively researched topic. Sufficient theoretical groundwork supports innovative memcomputing paradigms, exemplified by Memristive CNNs (M-CNNs), which offer multitasking capabilities, scalability, and richer dynamics for handling complex phenomena and enabling real-time adaptability. However, a persistent gap exists between theoretical frameworks and their physical implementation, necessitating hardware realization to optimize architectural paradigms and guide future integrated circuit design. This thesis bridges the gap between contemporary theoretical explorations of memristive devices and their tangible practical realization. The research systematically progresses from the simulation-level design of a system grounded in realistic models, through the development of innovative operational rules for M-CNNs, to the experimental validation of functional designs. It culminates in the practical hardware realization of M-CNNs at the printed circuit board (PCB) level. The proposed M-CNN framework addresses persistent challenges in the design of adaptable templates and localized rules, offering a structured solution to these developmental hurdles. By demonstrating the M-CNN’s capabilities through real-world semiconductor device implementations, this work provides experimental evidence of the scheme’s efficacy and its potential for advancing neuromorphic computing paradigms. The thesis first introduces a novel template design approach for M-CNNs based on memristive device characteristics. A simulation framework for memristive CNNs is then designed using a realistic compact model. Two image processing tasks establish design rules for M-CNN templates and derive structural dynamics through comparisons with standard CNNs. The influence of memristive switching properties on M-CNN performance is systematically analyzed, concluding with design guidelines. Moreover, the influence of device-to-device variability of memristive devices on the M-CNN processing cell is explored. Template robustness is tested and optimized through measurements with real-world memristive devices. The impact of memristive integration on nonlinear dynamics is investigated using the graphical tool Dynamic Route Map (DRM). Finally, a compact PCB demonstration of the M-CNN for edge detection is presented. This prototype validates the M-CNN’s computational capability using a line array of nano-devices, showcasing a scalable pathway for practical implementation. |l eng |
| 588 | _ | _ | |a Dataset connected to Lobid/HBZ |
| 591 | _ | _ | |a Germany |
| 653 | _ | 7 | |a CNNs |
| 653 | _ | 7 | |a EDGE |
| 653 | _ | 7 | |a LOGAND |
| 653 | _ | 7 | |a ReRAM |
| 653 | _ | 7 | |a VCM |
| 653 | _ | 7 | |a in-memory-computing |
| 653 | _ | 7 | |a memristive cellular nonlinear network |
| 700 | 1 | _ | |0 P:(DE-82)IDM01464 |a Waser, Rainer |b 1 |e Thesis advisor |u rwth |
| 700 | 1 | _ | |0 P:(DE-82)824505 |a Strachan, John Paul |b 2 |e Thesis advisor |u rwth |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1019223/files/1019223.pdf |y OpenAccess |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1019223/files/1019223_source.zip |y Restricted |
| 909 | C | O | |o oai:publications.rwth-aachen.de:1019223 |p openaire |p open_access |p VDB |p driver |p dnbdelivery |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-588)137807212X |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM01464 |a RWTH Aachen |b 1 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)824505 |a RWTH Aachen |b 2 |k RWTH |
| 914 | 1 | _ | |y 2025 |
| 915 | _ | _ | |0 StatID:(DE-HGF)0510 |2 StatID |a OpenAccess |
| 920 | 1 | _ | |0 I:(DE-82)611610_20140620 |k 611610 |l Lehrstuhl für Werkstoffe der Elektrotechnik II und Institut für Werkstoffe der Elektrotechnik |x 0 |
| 980 | 1 | _ | |a FullTexts |
| 980 | _ | _ | |a I:(DE-82)611610_20140620 |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a phd |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|