Next-gen automotive halfgeleiders: De sleutel tot Level-5 zelfrijdende auto's

Electronics & Sensors INSIDER

Een kijk op de next-gen halfgeleiders die we nodig hebben om morgen volledig zelfrijdende voertuigen te sturen. (Afbeelding: De onderzoekers)

De zelfrijdende robotaxis die door San Francisco rijden, en de geavanceerde bestuurdersassistentiesystemen op meer dan de helft van de nieuwe voertuigen die dit jaar verkocht worden, tonen aan hoe ver de autonome voertuigtechnologie is gekomen. Maar om de belofte van level 5 autonomie te waarmaken — auto's die overal en onder alle omstandigheden zelf rijden — zeggen experts dat we een nieuwe generatie halfgeleiders nodig hebben.

"Auto's zijn al een tijdje gezien als computers op wielen, maar om volledige autonomie te bereiken, moeten ze meer zijn als reizende datacenters," aldus Valeria Bertacco, de Mary Lou Dorf Collegiate Professor of Computer Science and Engineering. "Om die sprong te maken, heeft de auto-industrie nieuwe materialen, architecturen, systemen en productieprocessen nodig voor chips die sneller, goedkoper, lager-energie en duurzamer zijn."

Universiteit van Michigan onderzoekers werken met wereldwijde industrieleiders samen om AV-computingsystemen te herimagineren. De inspanning wordt ondersteund door $10 miljoen van de staat Michigan aan de Michigan Semiconductor Talent and Technology for Automotive Research (mstar) initiatief, wat ook imec, KLA, de Michigan Economic Development Corporation, Washtenaw Community College en General Motors omvat.

Geautomatiseerde voertuigen vereisen immense rekenkracht die exponentieel groeit met elk autonomieniveau. "Dit is een geconstraineerd, embedded systeem," aldus Reetuparna Das, Associate Professor of Computer Science and Engineering. "De behoefte aan efficiëntere AI-hardware is goed begrepen. Het is een miljard-dollar markt."

"Het is geweldig om mensen samen te zien komen om deze aspecten aan te pakken," aldus Michael Sun, die de automotive business development unit leidt bij Taiwan-gebaseerde TSMC. "Ik werk al lang in dit gebied, en ik denk dat er nu veel momentum is."

Neuromorfe chips en spiking neural networks

De diepe leer netwerkmodellen in de huidige AV's nabootsen losjes de structuur van een biologisch brein, maar opereren veel minder efficiënt. Ze werken door een continue stroom ongefilterde data te verwerken. U-M onderzoekers ontwikkelen een benadering die breingedrag nabootst, in plaats van structuur. Het focus op contrast, beweging en plotselinge gebeurtenissen, net zoals ons brein en ogen samenwerken om onze aandacht te filteren en te focuseren.

Ze testen een efficiëntere processor genaamd een neuromorfe chip gebaseerd op hun tungstenoxide memristor technologie, en een "spiking neural network" companion algoritme. "Neuromorfe sensoren vangen frames niet zoals conventionele camera's doen. In plaats daarvan detecteren ze verandering in elke pixel onafhankelijk," aldus Wei Lu, de James R. Mellor, Professor of Engineering in Mechanical Engineering.

Chiplet-architectuur voor robuustere systemen

Terwijl traditionele "system on a chip" architectuur alle componenten op een enkel stuk silicium print, duwen AV's computationele behoeften de limiet in termen van fysieke grootte en complexiteit. De chiplet-benadering omvat kleinere, modulaire componenten die gemengd en gematched kunnen worden op een printplaat om meer op maat gemaakte, duurzame systemen te bouwen. U-M onderzoekers ontwikkelen een robuustere chiplet-communicatieprotocol dat jarenlang kan opereren in een bewegend voertuig. "Niet alleen hoeft chiplet-communicatie robuust te zijn, maar het moet ook efficiënt zijn in termen van energie en bandbreedte," aldus Mike Flynn, de Fawwaz T. Ulaby Collegiate Professor of Electrical and Computer Engineering. "We proberen het high-speed en low-power te maken."

Bron