Jonas Gehrunger

M.Sc. Jonas Gehrunger

+49 6151 16-21152

S3|06 305
Merckstr. 25
64283 Darmstadt

Lehrveranstaltungen

Forschungsthemen

  • Hardware-beschleunigte Schaltungssimulation

Offene Arbeiten

Supervisor: Jonas Gehrunger/Leon Mayrhofer
Earliest start: sofort
Type: Master Theses

In FPGAs werden zur Speicherung der Konfigurationsdaten typischerweise SRAM-Speicherzellen verwendet. Diese stellen einen flüchtigen Speicher dar, verlieren also bei Unterbrechung der Spannungsversorgung ihre Information. Deswegen wird an Non-Volatile (NV)-FPGAs geforscht, die nicht-flüchtigen Konfigurationsspeicher besitzen. Eine Möglichkeit, diese zu implementieren, stellen Speicherzellen aus Memristoren dar.

Memristoren sind elektrische Bauelemente, deren Widerstandswert von der Vorgeschichte des hindurchgeflossenen Stromes abhängt. Aufgrund der additiven Fertigung von Memristor-basierten Speichern ist davon auszugehen, dass ein gewisser Anteil der Speicherzellen defektbehaftet ist. Diese potentiellen Defekte müssen im Entwurf der Architektur und Synthese-Werkzeuge für NV-FPGAs berücksichtigt werden.

In vorhergehenden Arbeiten wurde gezeigt, dass traditionelle Routing-Elemente, die auf mehrstufigen Multiplexern basieren, besonders intolerant gegenüber defekten Speicherzellen sind. Daraufhin wurde eine neue Architektur für diese Switchbox-Elemente entwickelt, die Memristoren im Signalpfad verwendet. In Simulationen auf Architekturebene hat sich gezeigt, dass dies die Defekttoleranz deutlich steigert.

In dieser Arbeit soll das neuartige Switchbox-Element mit Hilfe einer Analogsimulation untersucht werden. Eine zentrale Rolle spielen dabei Verzögerungszeit und Signalqualität des Elements für verschiedene Architekturen und für verschiedene Bauteilparameter. Weiterhin sollen FeFETs als alternative Schalter untersucht werden. Die gewonnenen Erkenntnisse sollen zur Optimierung der Switchbox genutzt werden.

Veröffentlichungen

E. Miranda ; E. Piros ; F. L. Aguirre ; T. Kim ; P. Schreyer ; J. Gehrunger ; T. Schwarz ; T. Oster ; K. Hofmann ; J. Suñé ; C. Hochberger ; L. Alff (2024):
The role of the programming trajectory in the power dissipation dynamics and energy consumption of memristive devices.
In: IEEE Electron Device Letters, ISSN 0741-3106, New York, NY, IEEE,
DOI: https://doi.org/10.1109/LED.2024.3368146,
[Article]

Jonas Gehrunger ; Christian Hochberger (2023):
Design Space Exploration of Application Specific Number Formats Targeting an FPGA Implementation of SPICE.
In: 19th International Symposium on Applied Reconfigurable Computing, Cottbus, Germany, 27.-29.09.2023, In: Applied Reconfigurable Computing. Architectures, Tools, and Applications, 14251, P. 66-80, ISBN 978-3-031-42920-0, Springer Nature Switzerland,
DOI: https://doi.org/10.1007/978-3-031-42921-7_5,
[Conference Contribution]

E. Miranda ; E. Piros ; F. L. Aguirre ; T. Kim ; P. Schreyer ; J. Gehrunger ; T. Oster ; K. Hofmann ; J. Suñé ; C. Hochberger ; L. Alff (2023):
Simulation of bipolar-type resistive switching devices using a recursive approach to the dynamic memdiode model.
In: IEEE Electron Device Letters, P. 1551-1554, ISSN 0741-3106, New York, NY, IEEE,
DOI: https://doi.org/10.1109/LED.2023.3298023,
[Article]

F. Aguirre ; E. Piros ; L. Alff ; C. Hochberger ; J. Gehrunger ; S. Petzold ; N. Kaiser ; E. Jalaguier ; E. Nolot ; C. Charpin-Nicolle ; T. Vogel ; L. Molina-Luna ; J. Suñé ; E. Miranda (2022):
Compact model for oxygen engineered Yttrium oxide-based resistive switching devices.
In: 2022 IEEE 22nd International Conference on Nanotechnology (NANO), Palma de Mallorca, Spain, 04.07.2022 - 08.07.2022, In: 2022 IEEE 22nd International Conference on Nanotechnology (NANO), P. 275-278, New York, NY, IEEE,
DOI: https://doi.org/10.1109/NANO54668.2022.9928654,
[Conference Contribution]

Fernando Leonel Aguirre ; Eszter Piros ; Nico Kaiser ; Tobias Vogel ; Stephan Petzold ; Jonas Gehrunger ; Timo Oster ; Christian Hochberger ; Jordi Suñé ; Lambert Alff ; Enrique Miranda (2022):
Fast Fitting of the Dynamic Memdiode Model to the Conduction Characteristics of RRAM Devices Using Convolutional Neural Networks.
In: Micromachines, Darmstadt, MDPI, Universitäts- und Landesbibliothek Darmstadt,
DOI: https://doi.org/10.26083/tuprints-00022979,
[Online: https://tuprints.ulb.tu-darmstadt.de/22979],
[Article]