Neural Networks and Memristive Hardware Accelerators

Modul Neural Networks and Memristive Hardware Accelerators (EuI-NES-E-NNMHA) und (EuI-IST-E-NNMHA) von Prof. Dr. phil. nat. habil. Ronald Tetzlaff

Schnellübersicht

Inhalte (Inkl. Videos WS2024/2025)
Aktuelles
Einschreibung

Vorlesende

Prof. Dr. phil. nat. habil. Ronald Tetzlaff
Dr.-Ing. Richard Schroedter
Dipl.-Ing. Steffen Seitz
Dr.-Ing. Carsten Knoll
Dr. Ahmet Samil Demirkol
Dr. Ioannis Messaris
Dr. Dimitrios Prousalis

Betreuer der Semesterprojekte

Dr.-Ing. Richard Schroedter,
Dipl.-Ing. Steffen Seitz,
Dr.-Ing. Carsten Knoll,
Dr. Ahmet Samil Demirkol,
Dr. Ioannis Messaris, 
Dr. Dimitrios Prousalis,
Dr. Hongliu Yang, 
M.Sc. Adnan Haidar,
Dipl.-Ing. Kilian Göller,

Allgemeine Informationen

Die Vorlesung richtet sich an Studierende im Hauptstudium (7. Semester) der Informationssystemtechnik (IST) und im Masterstudium (1. Semester) der Nanoelectronic Systems (NES).

Neuronale Netze sind dem menschlichen Gehirn nachempfunden und können viele schwierige Aufgaben wie Bild- und Spracherkennung sowie -erzeugung als auch autonomes Fahren bewältigen. Herkömmliche Computer-Hardware unterliegt dem von-Neumann Engpass zwischen CPU und Speicher, sodass neue Strategien zur Bewältigung des enormen Datenwachstums benötigt werden. Diesem Problem kann mit dem so genannten In-Memory-Computing begegnet werden, bei dem Speicherhardware zum Speichern und Berechnen von Daten in ein und demselben Gerät verwendet wird. Eine vielversprechende Lösung sind neuartige Materialien im Nanomaßstab die Widerstände mit Speicherfunktion haben, so genannte Memristoren.

In diesem Kurs werden die grundlegenden Konzepte des maschinellen Lernens und neuronaler Netze für verschiedene Datentypen wie Zeitreihen und Bilder vorgestellt. Die Teilnehmer lernen verschiedene Netzwerk-Lernmethoden, Optimierer und Verlustfunktionen kennen und verstehen, dass diese Methoden auf große Datenmengen angewiesen sind und dass die Rechenleistung ein limitierender Faktor bei der Entwicklung neuronaler Modelle ist.

Anschließend wird der Kurs eine Brücke von der Software zu Hardware-Beschleunigern für die Implementierung neuronaler Netze schlagen, die speziell auf memristiven Bauteilen basieren. Es werden die Grundlagen der Memristor-Theorie und ihre Anwendung in Crossbars, Logikschaltungen und Neuronen vorgestellt und Einblicke in die Konzepte des Crossbar-Mappings, der Peripherie und der Spiking Neural Networks gegeben.

Darüber hinaus lernen die Studierenden, die Sprache Python anzuwenden und grundlegende neuronale Modelle in Code zu implementieren, indem sie ML-bezogene Python-Bibliotheken wie PyTorch verwenden und memristive Schaltungen mit LTSpice simulieren.

Parallel zum Kurs werden die Studierenden ein eigenes Semesterprojekt mit Python oder SPICE bearbeiten und die Implementierungsergebnisse am Ende der Vorlesung vorstellen.

Am Ende des Semesters werden die Kenntnisse durch eine mündliche oder schriftliche Prüfung abgefragt werden.

Inhalte vom Wintersemester 2024/2025

Python Kurs

Aktuelles

Wintersemester 2026/2027:

  • 14 Vorlesungen starten im Oktober 2026 
  • Praktische Übungen mit Python-Kurs (Einschreibung für den Python Kurs unter  OPAL course "Python for Engineers")
  • Semestergruppenprojekt (Python/SPICE Programmieraufgabe mit Präsentation am Semesterende)

Bitte registrieren Sie sich unter dem nachfolgenden OPAL-Link an.

Anmeldung zur Vorlesung

OPAL-Kurs zur Vorlesung

Zu dieser Seite

Richard Schroedter
Letzte Änderung: 17.08.2026