Die ausgezeichnete Arbeit befasst sich mit einer der zentralen Herausforderungen im Bereich des analogen In-Memory-Computings: dem zeitlichen Drift von Phase-Change-Memory-Bauelementen (PCM), die die Genauigkeit neuronaler Netze im Laufe der Zeit erheblich beeinträchtigen kann. Die Arbeit stellt einen driftaware Trainingsrahmen in Kombination mit einer systematischen Hyperparameteroptimierung vor, der es neuronalen Netzen ermöglicht, trotz langfristiger hardwarebedingter Schwankungen eine robuste Leistung aufrechtzuerhalten. Durch die Integration physikalisch basierter Drift-Regularisierungsstrategien in den Trainingsprozess verbessert der vorgeschlagene Ansatz sowohl die Genauigkeit als auch die Stabilität bei minimalem Trainingsaufwand.

Die IEEE ICM ist eine etablierte internationale Konferenz, die sich mit Mikroelektronik, Hardwaresystemen und neuen Computertechnologien befasst, wobei der Schwerpunkt auf hardwareorientiertem maschinellem Lernen und neuromorpher Datenverarbeitung liegt.

Diese Forschung trägt zur Mission von SECAI bei, zuverlässige und energieeffiziente KI-Hardware voranzutreiben, die direkt für Edge-Intelligenz und eingebettete KI-Systeme relevant ist, die einen mehrjährigen Dauerbetrieb ohne regelmäßige Neukalibrierung erfordern.