Analoge und digitale Schaltungen.
Neuromorphes Computing steht für ein Rechenverfahren, das unter Verwendung von neuromorphen Chips ermöglicht wird. Das Besondere an diesen mikroelektronischen Schaltungen ist die Bauweise, die nach dem Vorbild des menschlichen Gehirns analoge Recheneinheiten verwendet, um die Plastizität des biologischen Nervensystems zu imitieren. Denn im Gegensatz zu digitalen Chips, die ausschließlich zwischen den Signalen Ein und Aus unterscheiden, können analoge stufenlos Informationen liefern.
Bisher beherrscht die klassische Computerchipbauweise die Welt. Vom Smartphone bis zum Personal Computer gilt die Trennung von Speicher und Prozessor, auch bekannt als die Von-Neumann-Architektur. Diese Prozessor-Architektur ist seit den 50er Jahren des 20. Jahrhunderts der Standard für Rechnersysteme und beruht auf der getrennten Speicherung und Verarbeitung von Daten mithilfe eines BUS-Systems. Die Daten wandern hierbei vom Speicher zum Prozessor, wo sie verarbeitet und danach an den Speicher zurückgesendet werden. Doch dieses BUS-System benötigt neben Zeit auch eine Menge Energie. Da Computer aber immer mehr Aufgaben übernehmen sollen, die auf KI basieren, müssen sie immer größere Rechenleistungen erbringen. Bei der bisherigen Bauweise sind die Grenzen der Rechenkapazitäten schon bald erreicht. Im Vergleich zum menschlichen Gehirn, das zwischen 20 bis 25 Watt verbraucht, benötigt ein adäquat leistungsfähiger Computer etwa ein Megawatt Energie. Die derzeitige Prozessor-Bauweise reicht also bei weitem nicht an die Energieeffzienz biologisch neuromorpher Systeme heran.
Einsatzgebiete neuromorpher Hardware.
Herkömmliche Computerchips werden nicht obsolet. Für einfache Rechenoperationen, bei denen es auf eindeutige Ergebnisse ankommt, bleiben digitale Prozessoren klar im Vorteil. Das klassische Rechenparadigma wird nicht vollkommen vom neuromorphen ersetzt. Eher können beide einander ergänzen. Denn die programmatischen Rechenmuster für sequenzielle Datenverarbeitung und bestimmbare Steuerung sind ideale Aufgaben für digitale Chips. Neuromorphe Computer dagegen spielen ihre Stärken bei der Parallelisierung von Mustererkennungen und -vorhersagen mit komplexen Daten aus. Sie sind lern- sowie anpassungsfähig, finden sich in einer sonst unberechenbaren Umwelt zurecht und können etwa bei der Gesichtserkennung Augenpartien, Nasen oder Münder besser identifizieren. Die größere Rechenleistung erzielen neuromorphe Chips, indem sie Informationen gleichzeitig speichern und verrechnen. Ähnlich einem Gehirn.
Mit analogen Chips soll der Aufbau von Synapsen, Nervenzellen und ganzer Bereiche eines Gehirns nachgeahmt werden, um laufende Rechenprozesse zu optimieren. Ziel des neuromorphen Computings ist es, die selbstorganisierende und sich selbst regulierende Eigenheit des Gehirns mit Schaltkreisen und der Hardware abzubilden. Auf diese Weise verspricht man sich intelligent arbeitende neuromorphe Systeme, die selbst solche Probleme lösen können, für die sie ursprünglich nicht programmiert worden sind. Daher eignen sie sich besonders, um etwa bei beschädigtem menschlichen Gewebe wie der Netzhaut implantiert zu werden. Ebenso könnten neuromorphe Chips dabei helfen, die Bewegungsabläufe von Robotern zu optimieren oder ihre Mustererkennung durch selbstlernende künstliche Augen zu verbessern.
Zukünftige Supercomputer.
Mittlerweile gibt es verschiedene Ansätze, mit denen Forschende daran arbeiten, neuromorphes Computing voranzutreiben. So fördert die Europäische Union mit dem Human Brain Project zahlreiche Forschungsvorhaben. Insbesondere SpiNNaker (Manchester) und Brainscale S (Heidelberg) verfolgen höchst unterschiedliche, aber zugleich vielversprechende Wege, um neuromorphe Supercomputer zu realisieren. Das britische Projekt SpiNNaker (Spiking Neural Network Architecture) arbeitet an einem massiv parallelen Computeraufbau und nutzt hierbei konventionelle Multikern-Prozessoren auf Basis einer ARM-Architektur. Dabei wird paketbasiert ein Netzwerk miteinander verschaltet, um den Austausch von Aktionspotenzialen vorzutäuschen. Die ARM-Prozessoren, die hierbei verwendet werden, sind besonders energieeffzient. So nimmt SpiNNaker Anleihen bei der Struktur und Funktionsweise des menschlichen Gehirns.
Das System begann seinen Betrieb Ende 2018 und die aktuelle Implementierung nutzt eine Million Kerne zu je 18 Kernen pro Prozessor mit je 128 Megabyte RAM gemeinsam genutzten Speicher. Das Brainscale-S-Projekt dagegen modelliert mit seiner physikalischen Maschine vier Millionen Neuronen und eine Milliarde Synapsen auf 20 Siliziumwafern (also Siliziumscheiben als Halbleitermaterial) mit analogen oder gemischten elektronischen Impulsen mit digitaler Konnektivität. Dieses System beschleunigt die Rechenvorgänge auf unglaubliche Weise. So sind Simulationen auf gewöhnlichen Supercomputern bis zu 1.000-mal langsamer als biologisch neuronale Netze und nicht in der Lage, auf unterschiedliche Zeitskalen für Lernen und Entwicklung zuzugreifen, die von Millisekunden bis zu Jahren reichen.
Zukünftige Supercomputer.
Mittlerweile gibt es verschiedene Ansätze, mit denen Forschende daran arbeiten, neuromorphes Computing voranzutreiben. So fördert die Europäische Union mit dem Human Brain Project zahlreiche Forschungsvorhaben. Insbesondere SpiNNaker (Manchester) und Brainscale S (Heidelberg) verfolgen höchst unterschiedliche, aber zugleich vielversprechende Wege, um neuromorphe Supercomputer zu realisieren. Das britische Projekt SpiNNaker (Spiking Neural Network Architecture) arbeitet an einem massiv parallelen Computeraufbau und nutzt hierbei konventionelle Multikern-Prozessoren auf Basis einer ARM-Architektur. Dabei wird paketbasiert ein Netzwerk miteinander verschaltet, um den Austausch von Aktionspotenzialen vorzutäuschen. Die ARM-Prozessoren, die hierbei verwendet werden, sind besonders energieeffzient. So nimmt SpiNNaker Anleihen bei der Struktur und Funktionsweise des menschlichen Gehirns.
Das System begann seinen Betrieb Ende 2018 und die aktuelle Implementierung nutzt eine Million Kerne zu je 18 Kernen pro Prozessor mit je 128 Megabyte RAM gemeinsam genutzten Speicher. Das Brainscale-S-Projekt dagegen modelliert mit seiner physikalischen Maschine vier Millionen Neuronen und eine Milliarde Synapsen auf 20 Siliziumwafern (also Siliziumscheiben als Halbleitermaterial) mit analogen oder gemischten elektronischen Impulsen mit digitaler Konnektivität. Dieses System beschleunigt die Rechenvorgänge auf unglaubliche Weise. So sind Simulationen auf gewöhnlichen Supercomputern bis zu 1.000-mal langsamer als biologisch neuronale Netze und nicht in der Lage, auf unterschiedliche Zeitskalen für Lernen und Entwicklung zuzugreifen, die von Millisekunden bis zu Jahren reichen.
Milliarden Neuronen, Billionen Synapsen.
Neuromorphes Computing kann die Potenziale von KI in einem Maße steigern, das noch gar nicht absehbar ist. Trotzdem wird es noch dauern, bis neuromorphe Computer auch nur annähernd so leistungsfähig sind wie Menschen. Einer der am weitesten entwickelten Chips von Intel verfügt derzeit über 100 Millionen Neuronen. Das menschliche Gehirn jedoch besitzt 90 Milliarden Neuronen, die mithilfe von mehreren Billionen Synapsen untereinander vernetzt sind. Dennoch steckt im neuromorphen Computing riesiges Potenzial für zahlreiche Edge-AI-Anwendungen wie Smart City, Smart Mobility, Robotik oder Medizin. Martin Ziegler, Professor auf dem Fachgebiet der neuromorphen Elektronik an der Technischen Universität Ilmenau, schätzt, dass die ersten neuromorphen IT-Systeme um 2025 einsatzfähig sein werden. Mit vollständig neuromorpher Hardware rechnen Forscher erst zum Ende dieses Jahrzehnts.
Milliarden Neuronen, Billionen Synapsen.
Neuromorphes Computing kann die Potenziale von KI in einem Maße steigern, das noch gar nicht absehbar ist. Trotzdem wird es noch dauern, bis neuromorphe Computer auch nur annähernd so leistungsfähig sind wie Menschen. Einer der am weitesten entwickelten Chips von Intel verfügt derzeit über 100 Millionen Neuronen. Das menschliche Gehirn jedoch besitzt 90 Milliarden Neuronen, die mithilfe von mehreren Billionen Synapsen untereinander vernetzt sind. Dennoch steckt im neuromorphen Computing riesiges Potenzial für zahlreiche Edge-AI-Anwendungen wie Smart City, Smart Mobility, Robotik oder Medizin. Martin Ziegler, Professor auf dem Fachgebiet der neuromorphen Elektronik an der Technischen Universität Ilmenau, schätzt, dass die ersten neuromorphen IT-Systeme um 2025 einsatzfähig sein werden. Mit vollständig neuromorpher Hardware rechnen Forscher erst zum Ende dieses Jahrzehnts.
Dieser Artikel ist ein Auszug aus der Printausgabe Bechtle update 01/2023. Mehr zum Thema lesen Sie dort ab Seite 44.
